在计算机视觉领域，人脸识别是一项基础且应用广泛的技术。尽管深度学习模型如FaceNet、ArcFace等已占据主流，但以OpenCV内置的LBPH、EigenFace和FisherFace为代表的经典算法，因其原理清晰、计算高效、无需海量数据等优点，在资源受限场景、教学演示及特定工业应用中依然不可或缺。本文将从原理、OpenCV实现、代码详解到实战对比，为你系统梳理这三大经典人脸识别算法的核心知识。
一、LBPH：基于局部纹理的稳健识别器
LBPH（局部二值模式直方图）算法的核心在于利用图像的局部纹理特征。它首先通过LBP算子将图像纹理编码，再通过空间直方图统计形成最终的特征描述符，对光照变化具有较好的鲁棒性。
1.1 原理核心：从像素到直方图
LBP算子的基本思想非常简单：对于图像中的每个像素，以其灰度值为阈值，与周围邻域像素（例如3x3的8个邻居）进行比较。若邻域像素值大于等于中心像素，则标记为1，否则为0。这一圈二进制数就构成了该中心点的LBP编码值。公式化表示为：
$LBP(x_c, y_c) = \sum_{p=0}^{P-1} s(g_p - g_c) \times 2^p$， 其中 $s(x) = \begin{cases} 1 & \text{if } x \geq 0 \\ 0 & \text{else} \end{cases}$
得到整幅图像的LBP编码图后，LBPH算法将其划分为多个网格（如7x7），并计算每个网格内LBP值的直方图。最后，将所有网格的直方图连接起来，就构成了该人脸图像的高维特征向量。识别时，通过比较测试图像与训练库中图像特征向量的直方图距离（如卡方距离）来进行判断。
1.2 OpenCV实现与关键函数
OpenCV通过 cv2.face.LBPHFaceRecognizer_create() 提供了LBPH模型的完整实现。其完整的人脸识别流程代码如下：
原始图像 → 提取LBP特征 → 分块直方图 → 连接直方图 → 形成特征向量 → 分类识别下面详细解析代码中使用的几个核心函数：
- 创建识别器：
recognizer = cv2.face.LBPHFaceRecognizer_create()是构建模型的起点。其参数配置灵活：cv2.face.LBPHFaceRecognizer_create()其中，radius控制采样半径，neighbors是采样点数量（常用8），grid_x和grid_y决定划分网格数，threshold是判断“未知人脸”的置信度阈值。参数详解如下：recognizer = cv2.face.LBPHFaceRecognizer_create( radius=1, # LBP半径，默认1 neighbors=8, # 采样点数量，默认8 grid_x=8, # 水平方向网格数 grid_y=8, # 垂直方向网格数 threshold=80 # 识别阈值 ) - 训练模型： 调用
recognizer.train(images, labels)完成训练。recognizer.train(images, labels)此函数接收灰度图像列表和对应的标签数组。其内部会为每张图像提取LBP特征，划分网格并计算局部直方图，最终拼接成特征向量并存储映射关系。过程说明：recognizer.train(images, np.array(labels)) - 预测识别： 使用
label, confidence = recognizer.predict(face_roi)进行预测。recognizer.predict(src)该函数返回预测的标签和置信度。需要注意的是，LBPH的置信度是距离值，越低表示匹配度越高。通常经验范围是：label, confidence = recognizer.predict(predict_image)
1.3 算法特点与实战应用
LBPH算法因其独特的纹理分析方式，拥有鲜明的优缺点：
✅ 优点：
- 光照不变性： 对均匀光照变化不敏感，适合光照条件不稳定的环境。
- 计算高效： 特征提取简单，实时性好，非常适合嵌入式设备（如树莓派）或移动端应用。
- 内存友好： 特征向量维度相对较低，模型体积小。
⚠️ 缺点：
- 对姿态敏感： 人脸旋转或侧脸角度过大会导致识别率显著下降。
- 需要预处理： 强烈依赖人脸检测和对齐，需先裁剪出正面、大小归一化的人脸区域。
- 抗遮挡能力弱： 眼镜、口罩等遮挡物会严重影响局部纹理特征。
一个完整的LBPH人脸识别实战应用代码示例如下，涵盖了从数据准备到识别输出的全过程：
import cv2
import numpy as np
# 提前训练的人脸照片
images = []
images.append(cv2.imread('qingzi/qz1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('qingzi/qz2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('qingzi/qz3.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('qingzi/qz4.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('susu/ss1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('susu/ss2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('susu/ss3.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('susu/ss4.jpg', cv2.IMREAD_GRAYSCALE))
labels = [0, 0, 0, 0, 1, 1, 1, 1]
dic = {0: 'qz', 1: 'ss', -1: '无法识别'}
predict_image = cv2.imread('qingzi/qz5.jpg', cv2.IMREAD_GRAYSCALE) # 待识别人脸
# predict_image = cv2.imread('susu/ss5.jpg', cv2.IMREAD_GRAYSCALE) # 待识别人脸
# 创建一个LBPH的人脸特征识别器
# 函数说明：
# radius: 可选参数，圆度与半径的平方根，建议使用默认值
# neighbors: 可选参数，圆度与半径的平方根，建议使用默认值
# grid_x: 可选参数，水平方向上的像素数，默认值为8，即将LBP特征图在水平方向上划分为8个单元
# grid_y: 可选参数，垂直方向上的像素数，默认值为8，建议使用默认值
# threshold: 可选参数，人脸识别时使用的阈值，建议使用默认值
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80) # 修正：facce应为face
# 函数train用给定的数据和相关标签训练生成的实例模型
# 语法格式：None = 识别对象.train(src, labels)
# 参数说明：
# src: 训练图像，用来学习的人脸图像
# labels: 标签，人脸图像对应的标签
recognizer.train(images, np.array(labels))
# 函数predict()对一个待识别的人脸图像进行判断，寻找与当前图像距离最近的人脸图像
# 参数与返回值的含义如下：
# src: 需要识别的原始图像
# label: 返回的识别结果标签，返回-1表示无法识别当前人脸
# confidence: 返回的置信度评分，用来衡量识别结果与原有模型之间的差异
# 评价标准是不同距离，但若是高于80，则认为识别结果与原有模型差距大
label, confidence = recognizer.predict(predict_image)
print('这人是:', dic[label]) # 修正：应为dic[label]而不是字符串
print('置信度:', confidence) # 修正：应为confidence变量而不是字符串运行效果可参考下图，展示了LBPH特征提取的可视化结果：
[AFFILIATE_SLOT_1]
二、EigenFace：基于PCA降维的“特征脸”方法
EigenFace（特征脸）是历史上第一个有效的人脸识别算法，其核心思想是主成分分析（PCA）。它将所有人脸图像视为一个高维空间中的点，通过PCA找到最能表征人脸差异的“主方向”（即特征向量），这些主方向构成的子空间就是“特征脸”空间。
2.1 数学原理与“平均脸”
EigenFace的训练过程本质是求解协方差矩阵的特征值和特征向量。首先，将所有m张训练人脸图像（假设为N维列向量）组合成一个大矩阵。然后计算所有图像的平均脸，并将每张图像减去这个平均脸，得到零均值的人脸数据。接着计算其协方差矩阵，并求解该矩阵的特征值和特征向量。特征值最大的前k个特征向量（即“特征脸”）就张成了我们用于识别的低维子空间。数学过程概括如下：
1. 数据准备：将所有训练人脸图像拉直为列向量
X = [x₁, x₂, ..., xₙ] ∈ ℝ^(m×n)
2. 计算平均脸：
ψ = (1/n) Σ xᵢ
3. 计算差值矩阵：
A = [x₁-ψ, x₂-ψ, ..., xₙ-ψ]
4. 计算协方差矩阵：
C = A·Aᵀ ∈ ℝ^(m×m) # 维度极大，直接计算困难
5. 使用SVD求解特征向量（特征脸）：
Aᵀ·A·vᵢ = λᵢ·vᵢ # 先计算小矩阵的特征向量
uᵢ = A·vᵢ # 再得到特征脸
6. 选取前k个最大特征值对应的特征脸构成投影矩阵我们可以将计算得到的“特征脸”可视化，它们看起来像是一些模糊的、具有不同轮廓和明暗模式的人脸，代表了原始人脸数据中最主要的变化模式：
import matplotlib.pyplot as plt
# 获取特征脸
mean_face = recognizer.getMean() # 平均脸
eigenfaces = recognizer.getEigenVectors() # 特征脸
# 显示平均脸
plt.subplot(1, 5, 1)
plt.title("Mean Face")
plt.imshow(mean_face.reshape(140, 120), cmap='gray')
# 显示前4个特征脸
for i in range(4):
plt.subplot(1, 5, i+2)
plt.title(f"Eigenface {i+1}")
plt.imshow(eigenfaces[:, i].reshape(140, 120), cmap='gray')
plt.show()2.2 OpenCV中的EigenFaceRecognizer
OpenCV中对应的类是 cv2.face.EigenFaceRecognizer_create()。
- 创建与参数：
cv2.face.EigenFaceRecognizer_create()关键参数是num_components，即保留的主成分数量。通常建议保留总方差的85%-95%对应的特征向量，数量在80-150之间。参数详细说明：recognizer = cv2.face.EigenFaceRecognizer_create( num_components=0, # PCA保留的主成分数量 threshold=7000 # 识别阈值 ) - 训练过程： 调用
recognizer.train(images, labels)。recognizer.train(images, labels)其内部完成了将图像向量化、计算平均脸、PCA降维等一系列操作：recognizer.train(images, np.array(labels)) - 识别预测： 使用
label, confidence = recognizer.predict(test_face)。recognizer.predict(pre_image)识别时，先将测试图像投影到特征脸子空间，然后计算与所有训练样本投影系数的欧氏距离，返回最近邻的标签和距离值。距离即为置信度，值越小越相似：label, confidence = recognizer.predict(pre_image)
2.3 特点分析与适用场景
✅ 优点：
- 强大的降维能力： 能将数万维的像素数据压缩到几十维，极大提升了计算和存储效率。
- 原理清晰： 基于经典的PCA，数学基础扎实，易于理解和教学。
- 部分消除共性光照： 减去“平均脸”的操作可以消除数据集中共有的光照模式。
⚠️ 缺点：
- 对光照和姿态敏感： 要求训练和测试图像在光照、角度上高度一致。
- 需要严格对齐： 眼睛、鼻子等关键点必须对齐，否则识别率骤降。
- 受背景和表情影响大： 非人脸区域（背景）或夸张表情会被当作主要特征，干扰识别。
尽管在复杂环境下性能有限，但EigenFace在可控环境（如门禁系统）和算法教学中仍有重要价值。其实战应用代码如下：
import cv2
import numpy as np
images = [] # 读取训练图像，注意：图片大小需要一致
# 读取并调整图像大小
a = cv2.imread('../qingzi/qz1.jpg', 0) # flags=0 表示以灰度模式读取
a = cv2.resize(a, (120, 140))
b = cv2.imread('../qingzi/qz2.jpg', 0)
b = cv2.resize(b, (120, 140))
c = cv2.imread('../qingzi/qz3.jpg', 0)
c = cv2.resize(c, (120, 140))
d = cv2.imread('../susu/ss1.jpg', 0)
d = cv2.resize(d, (120, 140))
e = cv2.imread('../susu/ss2.jpg', 0)
e = cv2.resize(e, (120, 140))
f = cv2.imread('../susu/ss3.jpg', 0)
f = cv2.resize(f, (120, 140))
images.append(a)
images.append(b)
images.append(c)
images.append(d)
images.append(e)
images.append(f)
labels = [0, 0, 0, 1, 1, 1]
# 读取并调整待预测图像大小
# pre_image = cv2.imread('susu/ss4.jpg', 0)
pre_image = cv2.imread('../qingzi/qz4.jpg', 0)
pre_image = cv2.resize(pre_image, (120, 140))
# 创建Eigenfaces人脸识别器
# 作用: 创建一个EigenFace的人脸特征识别器
# num_components: 在PCA中要保留的分量个数。该参数值通常要根据输入数据来具体确定
# 一般程序中，取80即可（降维成多少个特征）
# threshold: 进行人脸识别所采用的阈值
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=7000) # threshold=5000或4000
# 使用训练数据(images和labels)来训练识别器
# 函数FaceRecognizer.train()用给定的数据和相关标签训练生成的实例模型
# 参数的含义如下：
# src: 训练图像，用来学习的人脸图像
# labels: 标签，人脸图像对应的标签
recognizer.train(images, np.array(labels))
# 对预测图像(pre_image)进行人脸识别预测
# confidence: 大小介于0到20000，只要低于5000都被认为是可靠的结果
label, confidence = recognizer.predict(pre_image)
dic = {0: 'qz', 1: 'susu', -1: '无法识别'}
print('这是:', dic[label])
print('置信度为:', confidence)
# 在原图上标注识别结果并显示
# original_img = cv2.imread('susu/ss4.jpg').copy()
original_img = cv2.imread('../qingzi/qz4.jpg').copy()
original_img=cv2.resize(original_img,dsize=None,fx=0.5,fy=0.5)
# 在图像上添加文本
result_text = dic[label]
cv2.putText(original_img, result_text, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('susu', original_img)
cv2.waitKey(0)
cv2.destroyAllWindows()特征脸的可视化效果如下图所示，可以看到从主要轮廓到细节的层次化特征：
三、FisherFace：追求最大类间区分度的LDA方法
FisherFace可以看作是EigenFace的“有监督”升级版。它基于线性判别分析（LDA），其目标不再是像PCA那样最大化总体方差，而是最大化不同类别（不同人）之间的差异，同时最小化同一类别（同一个人不同照片）内部的差异。这使得FisherFace在理论上具有更强的判别能力。
3.1 核心思想：从描述数据到区分数据
PCA是无监督的，它只关心数据本身的分布，不管数据标签。而LDA是有监督的，它利用标签信息，寻找一个投影方向，使得投影后同类样本尽可能聚集，异类样本尽可能远离。其优化目标是最大化Fisher判别准则：$J(w) = \frac{w^T S_b w}{w^T S_w w}$，其中 $S_b$ 是类间散度矩阵，$S_w$ 是类内散度矩阵。求解该广义特征值问题，即可得到最优的投影向量（即FisherFace）。数学原理概述如下：
目标：找到最佳投影方向w，使得投影后的数据：
1. 类间散度（between-class scatter）最大
2. 类内散度（within-class scatter）最小
定义：
- 类内散度矩阵：Sw = Σ Σ (x - μᵢ)(x - μᵢ)ᵀ
- 类间散度矩阵：Sb = Σ nᵢ(μᵢ - μ)(μᵢ - μ)ᵀ
- 总体散度矩阵：St = Sw + Sb
优化目标：J(w) = (wᵀSb w) / (wᵀSw w) → 最大化
求解：通过广义特征值分解 Sb·w = λ·Sw·w
取前(C-1)个最大特征值对应的特征向量（C为类别数）FisherFace与EigenFace的核心区别对比如下：
| 特征 | EigenFace (PCA) | FisherFace (LDA) |
|---|---|---|
| 监督性 | 无监督 | 有监督 |
| 目标 | 最大方差方向 | 最大类间区分度 |
| 特征脸数量 | 可任意选择 | 最多C-1个（C为类别数） |
| 适用场景 | 数据降维、可视化 | 分类任务 |
| 小样本问题 | 相对较好 | 容易过拟合 |
3.2 OpenCV实现详解
OpenCV中对应的类是 cv2.face.FisherFaceRecognizer_create()。
- 创建与参数：
cv2.face.FisherFaceRecognizer_create()关键参数num_components有一个重要限制：由于LDA的性质，最多只能得到C-1个有效特征向量（C为类别数，即人数）。参数说明：recognizer = cv2.face.FisherFaceRecognizer_create( num_components=0, # LDA保留的特征数量 threshold=2600 # 识别阈值 ) - 训练过程： 调用
recognizer.train(images, labels)。recognizer.train(images, labels)其内部会计算每个类的均值、总体均值，并构建类内和类间散度矩阵，最后求解投影矩阵：recognizer.train(images, np.array(labels)) - 识别预测： 使用
label, confidence = recognizer.predict(test_face)。recognizer.predict(pre_image)识别过程与EigenFace类似，但距离计算是在更具判别性的Fisher子空间中进行的：label, confidence = recognizer.predict(pre_image)
3.3 优势、局限与实战
FisherFace在类别区分上通常优于EigenFace，但它也有自己的“阿喀琉斯之踵”——小样本问题（Small Sample Size Problem, SSS）。当训练样本总数小于图像维度时，类内散度矩阵 $S_w$ 是奇异的，无法直接求逆。常见的解决方案是采用“PCA+LDA”的两步法：先用PCA将维度降至样本数以下，再用LDA进行判别分析。
其实战应用代码如下：
import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont
# 1个用法
def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):
"""向图片中添加中文"""
if isinstance(img, np.ndarray): # 判断是否OpenCV图片类型
img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 实现array到image的转换
draw = ImageDraw.Draw(img) # 在img图片上创建一个绘图的对象
# 字体的格式
fontStyle = ImageFont.truetype('simsun.ttc', textSize, encoding="utf-8")
draw.text(position, text, textColor, font=fontStyle) # 绘制文本
return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR) # 转换回OpenCV格式
# 4个用法
def image_re(image):
a = cv2.imread(image, 0)
a = cv2.resize(a, (120, 180))
images.append(a)
images = []
image_re('../qingzi/qz1.jpg')
image_re('../qingzi/qz2.jpg')
image_re('../qingzi/qz3.jpg')
image_re('../susu/ss1.jpg')
image_re('../susu/ss2.jpg')
image_re('../susu/ss3.jpg')
Labels = [0, 0, 0, 1, 1, 1]
pre_image = cv2.imread('../susu/ss4.jpg', 0) # 读取待识别图像
# pre_image = cv2.imread('qingzi/qz5.jpg', 0) # 读取待识别图像
pre_image = cv2.resize(pre_image, (120, 180))
# 创建一个FisherFace的人脸特征识别器
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=2600)
# 训练模型
recognizer.train(images, np.array(Labels))
# 预测
label, confidence = recognizer.predict(pre_image)
dic = {0: '晴子', 1: '苏苏', -1: '无法识别'}
print('这人是:', dic[label])
print('置信度为:', confidence)
# 在图片上添加中文标签
image = cv2AddChineseText(cv2.imread('../susu/ss4.jpg').copy(), dic[label], (30, 10), textColor=(255, 0, 0))
# image = cv2AddChineseText(cv2.imread('qingzi/qz5.jpg').copy(), dic[label], (30, 10), textColor=(255, 0, 0))
image=cv2.resize(image,dsize=None,fx=0.6,fy=0.6)
cv2.imshow('susu', image)
# cv2.imshow('qingzi', image)
cv2.waitKey(0)FisherFace的可视化效果如下图，其特征脸更侧重于区分不同个体的判别性区域：
[AFFILIATE_SLOT_2]
四、综合对比与选型指南
了解三种算法的原理和实现后，如何在项目中做出正确选择？关键在于明确你的应用场景、数据条件和性能要求。
4.1 横向对比一览
下表从多个维度对LBPH、EigenFace和FisherFace进行了全面对比：
| 算法 | 原理 | 特征数 | 监督性 | 优点 | 缺点 |
|---|---|---|---|---|---|
| EigenFace | PCA | 任意 | 无监督 | 计算简单，降维效果好 | 判别性不强 |
| FisherFace | LDA | ≤C-1 | 有监督 | 判别性强，分类效果好 | 小样本问题 |
| LBPH | 局部二值模式 | 固定 | 有监督 | 光照鲁棒性好 | 对姿态敏感 |
4.2 选型策略与最佳实践
基于以上对比，我们可以得出清晰的选型建议：
- 选择LBPH，如果： 你的应用场景光照不稳定（如户外）、计算资源有限（嵌入式设备）、或者追求简单的实现和快速的推理速度。它就像一位适应力强的“野战兵”。
- 选择EigenFace，如果： 你的数据量不大，需要一种原理简单、易于实现的基线方法；或者人脸姿态、光照条件高度可控。它是经典的“学院派”代表。
- 选择FisherFace，如果： 你的目标是获得最强的判别能力，且每个类别（每个人）都有相对充足（>10张）且质量较好的样本。它是在规则内追求极致的“竞赛选手”。
高级技巧与注意事项：
- 预处理至关重要： 无论哪种算法，高质量的人脸对齐、灰度化、直方图均衡化都能极大提升识别率。可以考虑使用Dlib或MTCNN进行更精准的人脸关键点检测和对齐。
- 解决FisherFace的小样本问题： 当每人样本很少时，可手动实现“PCA+LDA” pipeline，或直接使用OpenCV的
cv2.face模块，它内部已做优化。代码示例如下：# 两步法：先PCA降维，再LDA # 1. 使用PCA降维到适当维度 # 2. 再使用FisherFace进行分类 - 处理类别不平衡： 如果某些人的图片远多于其他人，会影响LDA的效果。可以考虑对每个类别的样本进行重采样或加权处理。思路如下：
# 对少数类样本进行数据增强 # 或使用加权LDA - 集成学习提升鲁棒性： 在实际复杂应用中，可以同时训练多个模型（如LBPH+EigenFace），通过投票或加权平均的方式做出最终决策，往往能获得比单一模型更稳定、更准确的结果。
总结
LBPH、EigenFace和FisherFace作为OpenCV中内置的三大经典人脸识别算法，代表了深度学习时代之前的主流技术路径。LBPH以其对光照的鲁棒性和计算效率见长；EigenFace通过PCA降维抓住了人脸的主要变化模式；FisherFace则利用LDA实现了更强的类别判别能力。尽管它们在某些复杂场景下可能不敌现代的深度神经网络，但其轻量、高效、无需大规模训练数据、原理透明的特点，使得它们在嵌入式开发、教育科研、特定工业检测以及作为复杂系统的预处理或后备模块中，依然拥有不可替代的价值。理解这些经典算法，不仅是掌握计算机视觉的基础，更能为我们设计和优化现代AI系统提供宝贵的思路和工具。
浙公网安备 33010602011771号