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，并将其与模型中的相应单元进行比较，以产生各区域匹配值的直方图。
由于这种方法的灵活性，LBPH 人脸识别算法是唯一允许模型样本和检测到的人脸在形状和大小上有所不同的人脸识别算法。
2、predict()函数调用到调整后的区域
predict()函数返回两个元素的数组:第一个元素是识别个体的标签，第二个是信誉评分。
3、所有算法都有一个信心评分阈值。信心评分用于衡量识别人脸与原模型之间的差距 表示完全匹配。有时候，如果你不想保留所有的识别结果，你需要进一步处理，所以你可以用自己的算法来估计识别的可信度评分。
4、LBPH良好的识别参考值低于 50 ，任何高于 80 参考值将被认为是低信誉评分。
基于LBPH的人脸识别操作实例
importcv2
#加载训练数据集文件
#获取人脸识别对象
recognizer=cv2.face.LBPHFaceRecognizer_create()
#阅读训练数据
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:目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)
#获取面部特征值
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,'信心评分：',confidence)
#显示图片
cv2.imshow('result',img)
cv2.waitKey(0)#一直显示
cv2.destroyAllWindows()#释放资源