LBPH人脸识别

import cv2
import numpy as np
images=[]
images.append(cv2.imread('C:/Users/xpp/Desktop/coins.png',cv2.IMREAD_GRAYSCALE))#原始图像
images.append(cv2.imread('C:/Users/xpp/Desktop/coins.png',cv2.IMREAD_GRAYSCALE))#原始图像
images.append(cv2.imread('C:/Users/xpp/Desktop/Lena.png',cv2.IMREAD_GRAYSCALE))#原始图像
images.append(cv2.imread('C:/Users/xpp/Desktop/Lena.png',cv2.IMREAD_GRAYSCALE))#原始图像
labels=[0,0,1,1]#图像标签
recognizer=cv2.face.LBPHFaceRecognizer_create()#LBPH人脸识别
recognizer.train(images,np.array(labels))#模型训练
predict_image=cv2.imread('C:/Users/xpp/Desktop/face.png',cv2.IMREAD_GRAYSCALE)#原始图像
label,confidence=recognizer.predict(predict_image)#模型预测
print("label=",label)
print("confidence=",confidence)

label= 1 confidence= 55.412086974812155

算法：LBPH（Local Binary Patterns Histogram，局部二值模式直方图）模型是基于LBP （Local Binary Pattern，局部二值模式）的算法。

例子：

设定阈值为76，对其8邻域像素进行二值化处理：

128＞76：1

36＜76：0

251＞76：1

48＜76：0

9＜76：0

11＜76：0

213＞76：1

99＞76：1

二值化后，从当前像素点的正上方开始，以顺时针为序得到二进制序列：01011001

二进制序列“01011001”转换为所对应的十进制数“89”：

图像逐像素用以上方式进行处理，得到LBP特征图像，这个特征图像的直方图称为LBPH，或称为LBP直方图。

retval=cv2.face.LBPHFaceRecognizer_create([, radius[, neighbors[,
 grid_x[, grid_y[, threshold]]]]])

• radius表示半径，默认值为1
• neighbors表示邻域点个数
• grid_x表示将LBP特征图像划分为一个个单元格时，每个单元格在水平方向上的像素个数
• grid_y表示将LBP特征图像划分为一个个单元格时，每个单元格在垂直方向上的像素个数
• threshold表示在预测时所使用的阈值，如果大于该阈值，那么没有识别到任何目标对象

None=cv2.face_FaceRecognizer.train(src, labels)

• src表示输入图像
• labels表示标签

label, confidence=cv2.face_FaceRecognizer.predict(src)

• src表示输入图像

注意：置信度评分用来衡量识别结果与原有模型之间的距离。0表示完全匹配，小于50的值表示可以接受，大于80表示差别较大。