基于LBPH的人脸识别操作原理
1、LBPH（Local Binary Pattern Histogram）将检测到的人脸分为小单元，并将其与模型中的对应单元进行比较，对每个区域的匹配值产生一个直方图。
由于这种方法的灵活性，LBPH 是唯一允许模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。
2、调整后的区域中调用predict()函数
predict()函数返回两个元素的数组：第一个元素是所识别个体的标签，第二个是置信度评分。
3、所有的算法都有一个置信度评分阈值，置信度评分用来衡量所识别人脸与原模型的差距，0 表示完全匹配。可能有时不想保留所有的识别结果，则需要进一步处理，因此可用自己的算法来估算识别的置信度评分。
4、LBPH一个好的识别参考值要低于 50 ，任何高于 80 的参考值都会被认为是低的置信度评分。
importcv2
#加载训练数据集文件
#获取人脸识别对象
recognizer=cv2.face.LBPHFaceRecognizer_create()
#读取训练数据
recognizer.read('trainer/trainer.yml')
#准备识别图片
img=cv2.imread('6.pgm')
#将图片灰度
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#加载特征数据
face_detector=cv2.CascadeClassifier('D:/Python/opencv/sources/data/haarcascades
/haarcascade_frontalface_default.xml')
#参数：scaleFactor(比例因子)：图片缩放多少，minNeighbors:至少检测多少次，
minSizemaxSize:当前检测区域的最小面积
faces=face_detector.detectMultiScale(gray)#scaleFactor=1.01,minNeighbors=3,
maxSize=(33,33),minSize=(28,28)
#获取脸部特征值
forx,y,w,hinfaces:
cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),thickness=2)
cv2.circle(img,(x+w//2,y+h//2),radius=w//2,thickness=2,color=(0,0,255))
#人脸识别
id,confidence=recognizer.predict(gray[y:y+h,x:x+w])
print('标签id:',id,'置信评分：',confidence)
#显示图片
cv2.imshow('result',img)
cv2.waitKey(0)#一直显示
cv2.destroyAllWindows()#释放资源