企业官网建设流程全解析

一、介绍

本次实现了一个基于OpenCV的FisherFace人脸识别的小示例，先读取几张已知人脸作为训练集，再读取一张待识别图片，训练FisherFace模型并预测它属于谁，最后把识别结果用中文画在图片上显示。

二、核心代码讲解

2.1导入库

cv2：OpenCV,用于读图、缩放、人脸识别、显示图像。

numpy：用于数值操作，训练标签需要转成np.array。

PIL：Python Imaging Library，这里主要用来在OpenCV图像上绘制中文，因为OpenCV自带的cv2.putText不支持中文。

2.2中文绘制函数

cv2AddChineseText这个函数的作用是：在OpenCV图像上写中文。

img：OpenCV图像。

text：要写的中文。

position：文字左上角坐标，例如（30，10）。

textColor：RGB颜色，默认绿色（0，255，0）。

textSize：字号。

关键点：

1.OpenCV默认颜色顺序是BGR，而PIL默认是RGB。

所以先用cv2.cvtColor(img,cv2.COLOR_RGB2BGR)把OpenCV图像转成PIL能正确显示的颜色。

2.使用ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")加载宋体字体。

3.draw.text(position, text, textColor, font=fontStyle)在指定位置画文字。

4.最后再转回OpenCV的BGR格式，方便cv2.imshow显示。

2.3读取并预处理训练图片

cv2.imread(img,0):以灰度图方式读取图片。

FisherFace训练通常使用灰度图，因为颜色信息对身份识别帮助不大，还会增加计算量。

cv2.resize(a,(120 180)):把图片统一缩放成宽120、高180。所有人脸图片必须尺寸一致，否则无法训练。

images.append(a)：把处理后的图片加入全局列表images。

2.4准备训练数据并读取待预测图片

前两张是黎明，标签为0。

后两张是安志杰，标签为1。

读取待识别图片liming.png，同样转灰度并缩放到120*180

模型理想情况下应预测为0，即“黎明”。

2.5创建FisherFace识别器

这行创建一个FisherFace人脸识别模型。

FisherFace的核心思想是：

使用LDA，线性判别分析。

它不只想PCA那样保留最大方差方向，而是利用类别标签，让同类样本尽量聚在一起，不同类样本尽量分开。

因此，FisherFace通常比EigenFace更适合做分类。

OpenCV内部通常会先做PCA降维，再做LDA，避免类内散度矩阵不可逆。

threshold=5000是预测阈值：

predict()会返回一个confidence，可以理解为距离或置信度，越小表示越可信。

如果最小距离大于5000，模型就认为无法识别，返回标签-1。

2.6训练模型和预测

images:训练图片列表，每张都是120*180的灰度图。

labels：对应标签，必须转成np.array。

训练后，模型会学习如何把不同人脸投影到一个更容易区分的空间。

label：预测出的类别标签。

confidence：置信度，越小越好。

2.7结果