LBPH的代码实现

目录

什么是LBPH?

代码实现

---

什么是LBPH?

LBPH(Local Binary PatternsHistograms)局部二进制编码直方图，建立在LBPH基础之上的人脸识别法基本思想如下：首先以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP编码图像；再将LBP图像分为个区域，获取每个区域的LBP编码直方图，继而得到整幅图像的LBP编码直方图，通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。

OpenCV提供了三种人脸识别的方法，分别是LBPH方法、EigenFishfaces方法、Fisherfaces方法。

为什么要使用LBPH而不是其他？

LBPH：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。

详细原理可点击此链接查看

代码实现

# 导入OpenCV库，这是一个开源的计算机视觉和机器学习库
import cv2
# 导入numpy库，这是一个用于科学计算的库，我们在这里使用它来处理数组
import numpy as np
# 初始化一个空的列表，用于存储图片
images = []
# 向images列表中添加四张灰度图片，图片来自于'agou1.png', 'agou2.png', 'dingzhen1.png', 'dingzhen2.png'
# cv2.IMREAD_GRAYSCALE参数意味着读取图片为灰度模式
images.append(cv2.imread('agou1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('agou2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('dingzhen1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('dingzhen2.png', cv2.IMREAD_GRAYSCALE))

# 初始化一个列表，用于存储对应的标签
labels = [0, 0, 1, 1]
# 读取一张待预测的图片，同样设置为灰度模式
predict_image = cv2.imread('agou3.png', cv2.IMREAD_GRAYSCALE)
# 创建一个基于LBPH（Local Binary Patterns Histograms）算法的人脸识别器，threshold参数用于设置阈值，该值可能需要根据实际情况调整
recongnzer = cv2.face.LBPHFaceRecognizer_create(threshold=80)
# 使用上面创建的人脸识别器对训练图片进行训练，训练数据是上面读取的图片和对应的标签
recongnzer.train(images, np.array(labels))
# 使用训练好的人脸识别器对预测图片进行预测，返回预测的标签和对应的置信度
label, confidence = recongnzer.predict(predict_image)
# 打印预测的标签和对应的置信度
print('对应的标签label', label)
print('置信度confidence', confidence)

运行结果：