（四）人脸数据模型训练

        上一章节已经采集完人脸图片，这个章节我们将图片文件转化成数据化

我们将人脸图片训练成人脸数据模型，然后将模型用于人脸识别。我们先来说说图像和像素

图像和像素：每一个小方格就是一个像素。通过将它们并排放置，我们可以形成完整的图像。单个像素被认为是图像中最少可能的信息。对于每张图像，像素值的范围在 0 到 255 之间。

我们本次用 LBPH（Local Binary Pattern Histogram）进行人脸识别； 对每一个像素进行信息提取， 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。

            #用于存储提取到的人脸数据
            facesSamples = []
            #存储学生学号
            ids = []
            path = 'person/'
            imagePaths = [os.path.join(path, f) for f in os.listdir(path)]
            #判断是否有人脸图片防止下面保存
            if(len(imagePaths)==0):
                print("未检出人脸信息，请先采集人脸")
                return
            # 检测人脸
            face_detector = cv2.CascadeClassifier(
                './data1/lbpcascade_frontalface_improved.xml')
            # 遍历列表中的图片
            for imagePath in imagePaths:
                # 打开图片,黑白化
                PIL_img = Image.open(imagePath).convert('L')
                # 将图像转换为数组，以黑白深浅
                # PIL_img = cv2.resize(PIL_img, dsize=(400, 400))
                img_numpy = np.array(PIL_img, 'uint8')
                # 获取图片人脸特征
                faces = face_detector.detectMultiScale(img_numpy)
                # 获取每张图片名字（学生学号）
                id = int(imagePath.split('/')[-1].split('.')[0])
                # 预防无面容照片
                #x,y,w,h（代表检测到的人脸位置信息）
                for x, y, w, h in faces:
                    ids.append(id)
                    #提取提取图片中人脸数据
                    facesSamples.append(img_numpy[y:y + h, x:x + w])
            recognizer = cv2.face.LBPHFaceRecognizer_create()
            # train函数有两个参数，第一个是人脸数据，里面存储多张学生人脸数据，
            #每一个学生人脸数据都是数组类型，第二个参数是与第一个参数对应的学生学号，必须
            #要对应，否则会识别出错，装学生学号的列表需要转为数组类型
            recognizer.train(facesSamples, np.array(ids))
            # 保存文件
            recognizer.write('./trainer/trainer.yml')

训练好的人脸数据模型是一个yml文件：

我们看看提取到的人脸数据信息如下：

人脸数据非常多我只是截取了一部分图片 

对应人脸的学号：

接下来我分享一下我编写的一个opencv人脸识别案例：地址YueXia/Face-opencv - 码云 - 开源中国 (gitee.com)