OpenCV人脸识别三大经典算法：LBPH、EigenFace、FisherFace详解与代码实战

从原理到代码，一篇弄懂传统人脸识别的三驾马车

前言

如果你是OpenCV初学者，在接触到人脸识别模块时，一定会遇到三个名字：LBPH、EigenFace、FisherFace。它们都位于cv2.face子模块中，用法高度相似——创建识别器、训练、预测。这种统一的API设计让我们可以轻松切换算法，但也容易产生困惑：它们到底有什么区别？在实际项目中该选哪个？

本文将从算法原理、代码实现、对比分析三个维度，带你彻底搞懂这三大人脸识别算法。

一、算法原理篇

1. EigenFace（特征脸）

核心思想：降维 + 重构

EigenFace基于主成分分析（PCA）。PCA可以找到数据中方差最大的方向（主成分），这些方向就是“特征脸”。每张人脸都可以表示为这些特征脸的线性组合，组合系数就是该人脸的“指纹”。

数学本质

• 将每张W×H的人脸图像拉成一个N = W*H维的向量。

• 对所有人脸向量计算协方差矩阵，求解特征值和特征向量。

• 取前k个最大特征值对应的特征向量（即“特征脸”）。

• 任意人脸投影到特征脸空间，得到一个k维权重向量。

• 识别时比较权重向量之间的欧氏距离。

来源

1987年由Sirovich和Kirby提出，1991年Turk和Pentland正式用于人脸识别。

优缺点

2. FisherFace（费舍尔脸）

核心思想：最大化类间差异，最小化类内差异

FisherFace引入了线性判别分析（LDA）。LDA的目标与PCA不同：PCA追求“保留最多的信息”，而LDA追求“最好地区分不同类别”。它通过最大化类间散度矩阵与类内散度矩阵的比值，找到最佳投影方向。

数学本质

• 同样将人脸拉成向量。

• 计算类间散度矩阵S_B和类内散度矩阵S_W。

• 求解广义特征值问题S_B v = λ S_W v。

• 取前c-1个最大特征值对应的特征向量（c为类别数）。

• 由于S_W通常奇异，实践中先做PCA降维，再执行LDA（即PCA+LDA两步策略）。

来源

LDA由统计学家Ronald Fisher于1936年提出，1997年Belhumeur等人将其用于人脸识别，提出FisherFace。

优缺点

3. LBPH（局部二值模式直方图）

核心思想：局部纹理描述 + 分块直方图

LBPH与前两者完全不同：它不关注全局形状，而是描述局部纹理特征。LBP算子通过比较中心像素与邻域像素的灰度值生成二进制编码，然后统计整张图的直方图作为特征。为了保留空间信息，LBPH将图像分成若干小块，分别统计每个小块的LBP直方图，最后将所有直方图拼接成一个特征向量。

计算步骤

1. LBP编码：对每个像素，与周围8个邻居比较，大于等于中心像素的记为1，否则为0，得到一个8位二进制数（0~255）。

2. 分块：将LBP图像划分为grid_x × grid_y个不重叠的块。

3. 统计直方图：对每个块统计LBP值的分布直方图（通常256个bin）。

4. 串联特征：将所有块的直方图连接成一个长向量。

5. 识别：使用卡方距离或直方图相交距离比较特征向量。

来源

LBP算子由Ojala等人于1996年提出，后扩展用于人脸识别。

优缺点

二、代码实战篇

OpenCV的face模块为这三种算法提供了统一的接口，以下给出完整可运行的示例。

环境准备

pip install opencv-python opencv-contrib-python numpy pillow

注意：cv2.face模块在opencv-contrib-python中，需安装contrib版本。

数据集准备

假设我们有两类人：胡歌（hg）和彭于晏（pyy），每人提供2张训练图片，1张测试图片。

项目目录/ ├── hg1.jpg ├── hg2.jpg ├── pyy1.jpg ├── pyy2.jpg └── hg.jpg (测试图)

1. EigenFace 完整代码

import cv2 import numpy as np # 读取训练图片并统一尺寸 def load_image(path, size=(120, 180)): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(f"无法读取图片: {path}") return cv2.resize(img, size) images = [] paths = ['hg1.jpg', 'hg2.jpg', 'pyy1.jpg', 'pyy2.jpg'] for p in paths: images.append(load_image(p)) labels = [0, 0, 1, 1] # 0:hg, 1:pyy # 读取测试图片 test_img = load_image('hg.jpg') # 创建EigenFace识别器 # num_components: 保留的主成分数量（默认0表示自动） # threshold: 置信度阈值，超过则返回-1 recognizer = cv2.face.EigenFaceRecognizer_create(num_components=80, threshold=80) # 训练 recognizer.train(images, np.array(labels)) # 预测 label, confidence = recognizer.predict(test_img) dic = {0: '胡歌', 1: '彭于晏', -1: '无法识别'} print(f"识别结果: {dic[label]}") print(f"置信度: {confidence}") # 显示结果 img_color = cv2.imread('hg.jpg') cv2.putText(img_color, dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2) cv2.imshow('Result', img_color) cv2.waitKey(0) cv2.destroyAllWindows()

结果展示：训练集过少，这里并没有成功预测

2. FisherFace 完整代码

import cv2 import numpy as np def load_image(path, size=(120, 180)): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) return cv2.resize(img, size) images = [load_image(p) for p in ['hg1.jpg', 'hg2.jpg', 'pyy1.jpg', 'pyy2.jpg']] labels = [0, 0, 1, 1] test_img = load_image('hg.jpg') # FisherFace识别器 # num_components: LDA保留的成分数，最多为类别数-1 recognizer = cv2.face.FisherFaceRecognizer_create(num_components=0, threshold=5000) recognizer.train(images, np.array(labels)) label, confidence = recognizer.predict(test_img) dic = {0: '胡歌', 1: '彭于晏', -1: '未知'} print(f"识别结果: {dic[label]}, 置信度: {confidence}")

结果展示：

3. LBPH 完整代码

import cv2 import numpy as np # LBPH不需要强制resize，但建议统一 def load_image(path, size=(120, 180)): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(path) return cv2.resize(img, size) images = [load_image(p) for p in ['hg1.jpg', 'hg2.jpg', 'pyy1.jpg', 'pyy2.jpg']] labels = [0, 0, 1, 1] test_img = load_image('hg.jpg') # LBPH识别器参数说明： # radius: LBP采样半径，默认1 # neighbors: 邻域采样点数，默认8 # grid_x, grid_y: 水平/垂直方向分块数，默认8 # threshold: 阈值，默认DBL_MAX recognizer = cv2.face.LBPHFaceRecognizer_create(radius=1, neighbors=8, grid_x=8, grid_y=8, threshold=80) recognizer.train(images, np.array(labels)) label, confidence = recognizer.predict(test_img) dic = {0: '胡歌', 1: '彭于晏', -1: '未知'} print(f"识别结果: {dic[label]}, 置信度: {confidence}")

三、代码对比与本质区别

3.1 相同的流程

三个脚本都遵循“读取训练集 → 创建识别器 → 训练 → 预测”的模式。这种统一封装使得我们只需要修改一行创建识别器的代码，就能切换算法，非常便于实验对比。

3.2 核心差异点

3.3 为什么需要不同的阈值？

• EigenFace/FisherFace返回的confidence是待测样本与最近邻样本之间的欧氏距离。距离取决于特征空间的尺度，可能很大（如几千）。因此阈值要设得较大。

• LBPH返回的是卡方距离（Chi-Square Distance）或直方图相交距离。直方图值范围0~255，分块后距离通常在0~200之间。所以阈值设为80~120较合理。

如何确定合适的阈值？可以用一批已知身份的人脸图片（但不在训练集中）进行测试，观察confidence的分布，然后设置一个使错误接受率（FAR）可接受的阈值。

四、如何选择适合的算法？

在实际项目中，可以根据以下场景进行选择：

如果你的项目追求极致识别率，建议直接使用深度学习（如FaceNet、ArcFace）。但传统方法在资源受限或快速原型验证时仍然非常有用。

五、常见问题与排坑指南

Q1：训练时提示error: (-215:Assertion failed) images[i].size() == images[0].size()

原因：EigenFace和FisherFace要求所有训练图片尺寸完全相同。
解决：统一使用cv2.resize将所有图片缩放到同一尺寸。

Q2：预测总是返回-1或置信度特别大

原因：阈值设置过小，或者测试图片与训练集差异太大（光照、角度、尺寸）。
解决：

• 先打印出confidence，观察正常匹配时的值，然后合理设置threshold。

• 确保测试图片与训练图片的预处理一致（灰度、缩放）。

Q3：cv2.face找不到

原因：未安装opencv-contrib-python，或者版本太旧。
解决：

pip uninstall opencv-python opencv-contrib-python pip install opencv-contrib-python==4.5.5.64

Q4：LBPH 的训练图片可以大小不一吗？

理论上可以，因为LBPH是基于局部直方图的，最终特征向量长度只与分块数有关，与原始图片尺寸无关。但为了公平比较和稳定性能，建议也resize到统一尺寸。

六、总结

• EigenFace：基于PCA的全局方法，速度快但对光照敏感，适合光照稳定、快速响应的场景。

• FisherFace：基于LDA的判别方法，分类能力最强，是小样本场景下的首选。

• LBPH：基于局部纹理的直方图方法，鲁棒性好、支持增量学习，是目前OpenCV传统人脸识别中最实用的选择。

通过本文的原理讲解和代码实战，你应该能够理解这三者的本质区别，并能根据实际需求灵活选用。下一步，你可以尝试用这三种算法分别跑同一个测试集（比如不同光照、不同表情的人脸），直观感受它们在置信度和鲁棒性上的差异。

如果你觉得本文对你有帮助，欢迎点赞、收藏、评论交流！你的支持是我持续输出优质技术文章的动力。

参考资料

• OpenCV官方文档：cv::face::FaceRecognizer

• Turk, M., Pentland, A. "Eigenfaces for recognition", 1991.

• Belhumeur, P. et al. "Eigenfaces vs. Fisherfaces", 1997.

• Ojala, T. et al. "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", 2002.