第 14 章 · 计算机视觉：使用 Python 进行人脸识别

让程序「看见」人脸：从一张图片就是一堆数字说起，用 OpenCV 一步步做出人脸检测、模型训练与实时识别。 本章 6 讲（105–110）

🎯 本章目标

说清人脸识别的原理与一般步骤（灰度 → 检测 → 训练特征库 → 比对）
认识人脸识别常用的 Python 库（OpenCV / TensorFlow / PyTorch），知道各自适合什么场景
用 OpenCV 完成图片的读取、显示、保存、矩形标注
用 OpenCV 采集摄像头视频信号并截图、读 MP4 文件
理解训练人脸模型的三步：读取训练图片 → 加载分类器 → 提取人脸特征
搭出一个能实时识别的人脸识别系统，并根据 confidence 判断「是谁」

本章代码

📌 代码约定：正文代码块都保持可直接运行；节选会明确标注「节选」并指向 code/ 完整文件。

⚠️ 本章实跑尺度（务必先读）：人脸识别需要摄像头 + opencv-contrib-python 环境。本章绝大部分示例属于**「未实跑」——只讲原理、给出完整代码，不提供编造的运行输出。仅有下面两处是本机真跑**的（因为它们不需要摄像头）：
code/cvtest.py：在一张猫图上画矩形并保存为图片文件（把原版的 imshow 换成了 imwrite）；
code/105-image-info.py：只用 Pillow 读图片、打印尺寸与像素信息。
其余示例（采集视频、训练模型、实时识别）一律标注「本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）」。

文件	内容
`code/105-image-info.py`	第 105 讲：用 Pillow 打开图片，输出尺寸与像素信息（真跑，仅用 Pillow）
`code/cvtest.py`	第 106 讲：用 OpenCV 读图、画矩形、保存为文件（真跑，需 opencv-python）
`code/107-capture-video.py`	第 107 讲：采集摄像头视频信号并截图（未实跑，需摄像头）
`code/108-train-model.py`	第 108 讲：读取训练图片、训练 LBPH 人脸模型（未实跑，需 opencv-contrib-python）
`code/109-face-recognize.py`	第 109 讲：加载模型、实时识别人脸（未实跑，需摄像头 + opencv-contrib-python）
`code/face_demo/face_cap.py`	课程仓库原始文件：采集摄像头截图
`code/face_demo/face_train.py`	课程仓库原始文件：训练人脸模型
`code/face_demo/face_detect.py`	课程仓库原始文件：实时人脸识别
`code/face_demo/trainer/trainer.yml`	课程仓库训练好的模型文件（LBPH 直方图数据）
`code/cat.png`	示例图片（WebP 格式，1810×1081）
`code/required.txt`	依赖清单（版本号）

依赖清单（code/required.txt）

opencv-python==4.5.5.64
Pillow==9.1.1
opencv-contrib-python==4.5.5.64
numpy==1.22.3

💡 为什么要用 Python 3.9？ OpenCV 对 Python 版本比较敏感：opencv-python / opencv-contrib-python 的这些版本在 Python 3.9 上最稳。课程配套用的是 3.9，所以本章统一建议用 Python 3.9 （pip3.9 install ...），避免「装了却 import cv2 报错」这类版本坑。
其中 opencv-contrib-python（contrib = contributed，社区贡献的扩展包）额外提供了 cv2.face 模块，人脸识别的 LBPH 算法 cv2.face.LBPHFaceRecognizer_create() 就在这个扩展包里——只装 opencv-python 是找不到它的。

第 105 讲 · 理论盘点：人脸识别的一般步骤

本节目标

理解「计算机为什么能识别人脸」，并记住人脸识别的四个一般步骤。

知识要点

1. 人脸识别的原理

计算机里的视频，本质上也是一张张图片；而图片是由数字组成的。既然是数字，就可以用数学计算去做图像识别。

人脸识别任务是图像识别的一个子类。图像识别可以拆成两个任务：

任务	干什么	本质
图像检测	找出图像里有没有人脸、人脸在哪	一种分类问题（有 / 没有）
图像对比	把检测出的人脸，和预先采集的人脸比相似程度	相似度计算

2. 人脸识别的一般步骤

把图片转换为灰度（去掉颜色、只留明暗，特征更好提）
识别图像中的人脸（把脸的坐标框出来）
训练特征库：将特定的人脸标注好，存入特征库
比对目标图片（视频）：对目标里出现的人脸做判断，根据相似程度做后续处理

3. 用 OpenCV 看图像的基本组成

图像中的每一个像素点由三个元素组成，分别表示 R、G、B 三种颜色；
一张图片的宽和高，由很多个像素点组成；
像素点可以用数字表示，所以我们能用数学计算去处理图像。

💡 一句话：「看见」这件事，在计算机里就是「算数字」。

代码实操

对应 PPT 课后作业的代码。这里用 Pillow 打开一张图片，输出它的大小信息与数字信息：

code/105-image-info.py：

python

# 105-image-info.py —— 第 14 章 · 第 105 讲示例
# 对应 PPT 课后作业：打开任意一张图片，输出它的「大小信息」和「数字信息」。
#
# 只依赖 Pillow + numpy，不需要摄像头、也不需要 OpenCV。

# 用 try/except 包住 import：读者机器上缺依赖也不会崩溃，而是给出安装提示。
try:
    from PIL import Image
    import numpy as np
except ImportError:
    print("未实跑：本机缺少 Pillow / numpy，无法读取图片。")
    print("安装命令：pip3.9 install pillow numpy")
    raise SystemExit(0)

# 1) 打开同目录下的 cat.png（Image.open 只把文件读进内存，不会真的解码全部像素）
img = Image.open("./cat.png")

# 2) 图片的「大小信息」：（宽, 高），单位是像素
print("图片尺寸（宽, 高）：", img.size)

# 3) 颜色模式：RGB 表示每个像素由「红绿蓝」三个 0-255 的数字组成
print("颜色模式：", img.mode)

# 4) 把图片转成 NumPy 数组：形状 = 高 × 宽 × 通道数，每个数字是 0-255 的像素值
arr = np.array(img)
print("数组形状（高, 宽, 通道）：", arr.shape)

# 5) 打印左上角第一个像素点的 RGB 值，直观感受「图片就是一堆数字」
print("左上角第 1 个像素的 RGB 值：", arr[0, 0])

⚠️ 本章主体需要摄像头 + opencv-contrib-python 环境；但本示例只用 Pillow、不涉及摄像头，属于本章可用「纯图片库」本地验证的例外，因此这里是真跑的（不是未实跑）。在 code/ 目录下执行 python3 105-image-info.py，本机实测输出：

bash

$ python3 105-image-info.py
图片尺寸（宽, 高）： (1810, 1081)
颜色模式： RGB
数组形状（高, 宽, 通道）： (1081, 1810, 3)
左上角第 1 个像素的 RGB 值： [125  48   4]

读输出：图片是 1810 × 1081 像素；RGB 说明每个点由红绿蓝三个数字组成；数组形状 (1081, 1810, 3) 里的 3 就是那三个颜色通道；左上角第一个点是 [125 48 4]（偏红棕）。 这就是「图片 = 数字」最直观的证据。

课后作业

请你使用本节课学习的 OpenCV 库，打开任意一张图片，输出这张图片的大小信息，并输出图片的数字信息。

参考答案（OpenCV 版）：
python
import cv2
img = cv2.imread("./cat.png")   # 读入图片，返回一个 NumPy 数组
print(img.shape)                # 形状：(高, 宽, 通道数)
print(img[0, 0])                # 左上角第一个像素的 BGR 值
1
2
3
4
注意 OpenCV 读进来的颜色顺序是 BGR（蓝绿红），和 Pillow 的 RGB 正好相反—— 这是新手最容易踩的坑之一。code/105-image-info.py 用的是 Pillow 的 RGB 版，效果等价。

第 106 讲 · 理论盘点：人脸识别常用的 Python 库有哪些？

本节目标

认识人脸识别的常用库，学会用 OpenCV 完成图片的读取 / 显示 / 保存 / 标注四件事。

知识要点

1. 人脸识别的常用库

方法路线	常用库	特点
基于特征向量（传统方法）	OpenCV	上手快、依赖少，更易验证和学习
基于 CNN / HOG（深度学习）	TensorFlow、PyTorch	精度高，但训练成本大、门槛高

💡 本课程选 OpenCV：它比基于深度学习的库更容易验证、学习成本低，适合打基础。

2. 用 OpenCV 读取和保存图片

操作	函数	说明
读取图片	`cv2.imread(图片路径和名称)`	返回一个 NumPy 数组
显示图片	`cv2.imshow()`	弹出一个窗口显示（需要有图形界面）
保存图片	`cv2.imwrite(路径, 图片)`	把图片写到磁盘

3. 用 OpenCV 标注图像

标注图像常用于调试时不断优化算法，一般采用矩形框：

python

cv2.rectangle(图片, 左上角坐标, 右下角坐标, color=颜色, thickness=线宽)

代码实操

课程示例 cvtest.py 打开一张猫图，在指定位置画一个红框。

⚠️ 原版 cvtest.py 用 cv2.imshow() + cv2.waitKey(0) 弹窗显示，需要图形界面，属未实跑。我们把它改成 cv2.imwrite() 存成图片文件（imshow 换成 imwrite），这样在没有界面的终端里也能真跑。code/cvtest.py：

python

# cvtest.py —— 第 14 章 · 第 106 讲示例（OpenCV 读取、标注并保存图片）
#
# 原始课程代码用 cv2.imshow() 弹窗显示图片，必须有人盯着屏幕按任意键才结束；
# 本文件把「显示」这一步换成 cv2.imwrite() 存成图片文件，
# 这样在没有图形界面的终端环境里也能真正跑通（本机已实测）。

# 用 try/except 包住 import：即使读者机器上没有装 OpenCV，
# 直接 `python3 cvtest.py` 也不会因缺少 cv2 而报错崩溃，而是打印一句友好提示。
try:
    import cv2
except ImportError:
    print("未实跑：本机没有安装 opencv-python，无法运行本示例。")
    print("安装命令：pip3.9 install opencv-python")
    raise SystemExit(0)

# 1) 读取同目录下的 cat.png（返回的是一个 NumPy 数组：高 × 宽 × 3 个颜色通道）
pic = cv2.imread("./cat.png")

# 2) 用矩形框标注图片：左上角 (70, 90)，右下角 (170, 190)，红色，线宽 2
cv2.rectangle(pic, (70, 90), (170, 190), color=(0, 0, 255), thickness=2)

# 3) 保存标注后的图片（原始代码这里是 cv2.imshow('title', pic)）
cv2.imwrite("./cat_marked.png", pic)

print("已保存标注后的图片：cat_marked.png")
print("图片尺寸（高, 宽, 通道数）：", pic.shape)

在 code/ 目录下执行 python3 cvtest.py，本机实测输出：

bash

$ python3 cvtest.py
已保存标注后的图片：cat_marked.png
图片尺寸（高, 宽, 通道数）： (1081, 1810, 3)

同目录会生成 cat_marked.png（约 2.0 MB，1810×1081），就是那张被红框标注过的猫图。 这一讲是本章少数「真跑」的示例之一。

对照一下原始课程的写法（弹窗版，未实跑）：

python

import cv2
pic = cv2.imread("./cat.png")
cv2.rectangle(pic,(70,90),(170,190),color=(0,0,255),thickness=2)
cv2.imshow('title',pic)     # 弹窗显示，需要有图形界面
cv2.waitKey(0)              # 等待按键，否则窗口一闪而过
cv2.destroyAllWindows()

⚠️ 本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）。 waitKey 是 OpenCV 处理键盘/刷新窗口的关键：它让窗口「停住」等你看／按键。

课后作业

请你打开任意一张图片，并使用 cv.rectangle() 函数对图像进行标注，标注范围分别为 50,50,50,50、100,100,100,100，标注后保存图片，并查看标注后的图片。

参考答案（思路）：
python
import cv2
pic = cv2.imread("./cat.png")
# 第一个框：左上角 (50,50)，右下角 (100,100)
cv2.rectangle(pic, (50, 50), (100, 100), color=(0, 0, 255), thickness=2)
cv2.imwrite("./cat_marked2.png", pic)
1
2
3
4
5
rectangle 的四个坐标按 (左上角 x, 左上角 y, 右下角 x, 右下角 y) 两两成对传入—— 题面里的 50,50,50,50 / 100,100,100,100 指的是这两组坐标点的四个数。

第 107 讲 · 怎样通过 OpenCV 采集视频信号？

本节目标

学会用 OpenCV 采集图片与视频信号：转灰度、开摄像头截图、读 MP4 文件。

知识要点

1. 采集图片并转为灰度

转换为灰度的目的是更好地提取特征（颜色是干扰，明暗才是人脸结构的核心）；
cv.cvtColor(图片, 转换方式) 用于颜色空间转换，比如 cv.COLOR_BGR2GRAY（BGR 转灰度）。

2. 采集视频信号并保存图片

要想识别特定的人脸，需要训练 OpenCV 的模型；训练数据一般就是从摄像头采集的截图（也可以是事先准备好的图片）。

用途	函数
打开摄像头	`cv.VideoCapture(0)`
从摄像头截图并保存	`cv.imencode(".jpg", 帧)[1].tofile(路径)`

3. 采集 MP4 视频

cv.VideoCapture() 除了捕获摄像头，还可以读取 MP4 格式的文件（把参数换成文件路径即可）。通过反复读取视频，可以不断优化 OpenCV 的模型。

代码实操

下面是课程仓库里的采集脚本 face_demo/face_cap.py（完整代码）：

python

import cv2 as cv
# opencv
# pip3.9 install opencv-python
# pillow图像处理
# pip3.9 install pillow
# contrib 用于训练人脸模型的opencv扩展包
# pip3.9 install opencv-contrib-python
cap = cv.VideoCapture()
num = 1
face_name = "Boss"
face_id = 1

while (cap.isOpened()):
    #捕获摄像头图像
    ret_flag,vshow = cap.read()
    #显示捕获的照片
    cv.imshow("capture_test",vshow)
    #图像刷新的频率
    k = cv.waitKey(1)&0xff
    # 设置按键保存照片
    if k == ord('s'):
        # 保存图片
        cv.imencode(".jpg",vshow)[1].tofile(f"./imgdata/{str(face_id)}_{face_name}_{str(num)}.jpg")
        print(f"成功保存第{str(num)}张照片")
        num += 1
    elif k == ord(' '):
        break
# 关闭摄像
cap.release()
# 销毁窗口
cv.destroyAllWindows()

⚠️ 本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）。它必须打开摄像头、还要弹窗显示，本机没有摄像头，也没有图形界面，因此未真正执行。代码在 code/face_demo/face_cap.py，同时给出了带「未实跑开关」的可运行版 code/107-capture-video.py（直接 python3 它会打印未实跑说明后干净退出，不会卡住）。

读一读这段代码里的几个关键点：

cv.VideoCapture() 不带参数 = 打开默认摄像头；cap.isOpened() 为真才进入循环。
cap.read() 返回两个值：ret_flag（这一帧读成功没有）和 vshow（图像数据）。
cv.waitKey(1) & 0xff 返回按键编码：按 s 存一张截图，按空格退出。
cv.imencode(".jpg", vshow)[1].tofile(路径) 把这一帧编码成 jpg 并存盘—— 文件名形如 1_Boss_1.jpg（标签号_名字_序号），这正是后面第 108 讲训练时要用的命名格式。

扩展：把摄像头换成 MP4 文件（读取本地视频，同样未实跑）：

python

import cv2 as cv
# VideoCapture 的参数从「摄像头编号」换成「文件路径」，就能读 MP4
cap = cv.VideoCapture("./demo.mp4")
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:      # 读到视频末尾，ret 会变成 False
        break
    gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)   # 逐帧转灰度
    cv.imshow("mp4", gray)
    if cv.waitKey(25) & 0xff == ord(' '):
        break
cap.release()
cv.destroyAllWindows()

⚠️ 本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）。

课后作业

请你使用 OpenCV 截取视频中相同人物至少 10 张图片，并将图片放入到一个文件夹中。

参考答案（思路）：把 face_cap.py 多按几次 s，或把上面的 MP4 循环里每一帧都 cv.imencode(".jpg", frame)[1].tofile(...) 存下来，并按 标签号_名字_序号.jpg 命名、统一放进 imgdata/ 文件夹。同一个人的多角度、多张照片，能让后面训练的模型更准。

第 108 讲 · 如何训练人脸模型？

本节目标

理解训练人脸模型的三个关键动作：读取训练图片 → 加载分类模型 → 提取人脸特征。

知识要点

1. 读取目录下全部训练文件

训练图片一般放在一个文件夹里，需要遍历目录，把所有文件路径以字符串形式存进一个列表：

用途	函数
显示目录下所有文件	`os.listdir()`
连接「目录 + 文件名」	`os.path.join()`
递归遍历目录下所有文件	`Path(path).rglob("*")`

2. 加载分类模型

调用人脸分类器（Haar 级联分类器）：

python

cv.CascadeClassifier(".../cv2/data/haarcascade_frontalface_default.xml")

这个人脸分类器的 XML 文件就在 OpenCV 安装目录的 cv2/data/ 下，例如课程里的路径：

/Library/Frameworks/Python.framework/Versions/3.10/lib/python3.10/site-packages/cv2/data/haarcascade_frontalface_default.xml

⚠️ 别照抄路径！要用你自己机器上的实际安装路径。写代码时建议把它放进一个变量，方便替换。

3. 提取人脸特征值

图片被转换成数组之后，用特征提取函数把人脸特征提出来：

python

face_detect.detectMultiScale(图片数组)

它会返回若干个 (x, y, w, h) —— 每张人脸的左上角坐标和宽高，据此可以把人脸从原图里「抠」出来。

代码实操

课程仓库里的训练脚本 face_demo/face_train.py（完整代码）：

python

import cv2 as cv
from PIL import Image
import numpy as np
from pathlib import Path

def getImageAndLabel(path):
    facesSamples = []
    ids = []
    
    #调用人脸分类器（注意自己文件保存的路径，英文名）
    face_detect = cv.CascadeClassifier('/Library/Frameworks/Python.framework/Versions/3.11/lib/python3.11/site-packages/cv2/data/haarcascade_frontalface_default.xml')
    #循环读取照片人脸数据
    for imagePath in Path(path).rglob("*"):
        #用灰度的方式打开照片
        PIL_img = Image.open(imagePath).convert('L')
        #将照片转换为计算机能识别的数组OpenCV（BGR--0-255）
        img_numpy = np.array(PIL_img,'uint8')
        #提取图像中人脸的特征值
        faces = face_detect.detectMultiScale(img_numpy)
        #将文件名按“.”进行分割
        id = int(imagePath.stem.split("_")[0])
        # 防止无人脸图像
        for x,y,w,h in faces:
            ids.append(id)
            facesSamples.append(img_numpy[y:y+h,x:x+w])
    return facesSamples,ids


faces, ids = getImageAndLabel('imgdata')

#调用LBPH算法对人脸数据进行处理
recognizer = cv.face.LBPHFaceRecognizer_create()

#训练数据
recognizer.train(faces, np.array(ids))

recognizer.write('trainer/trainer.yml')

⚠️ 本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）。本机只装了 opencv-python，没有 cv2.face 模块（它属于 opencv-contrib-python），也没有准备好的 imgdata/ 训练图片，因此未真正执行。代码在 code/face_demo/face_train.py，可运行版见 code/108-train-model.py。

三个关键动作，对应代码里的三处：

步骤	代码	作用
读取全部训练图片	`for imagePath in Path(path).rglob("*")`	递归遍历 `imgdata/` 下所有图片
加载分类模型	`cv.CascadeClassifier(...)`	加载 Haar 人脸分类器
提取人脸特征	`face_detect.detectMultiScale(img_numpy)`	拿到每张脸的 `(x, y, w, h)`，切片抠出人脸块

训练用的是 LBPH 算法（Local Binary Patterns Histograms，局部二值模式直方图）， recognizer.train(faces, np.array(ids)) 把「人脸像素块」和「标签号」一起喂给模型，最后 recognizer.write('trainer/trainer.yml') 把训练好的模型存成 YAML 文件—— 就是 code/face_demo/trainer/trainer.yml 这个文件（第 109 讲要用它）。

💡 命名是关键：imgdata/ 里的文件名必须是 标签号_名字_序号.jpg（如 1_Boss_1.jpg），代码用 imagePath.stem.split("_")[0] 取第一段当标签号。文件名格式错了，标签就错了。

课后作业

请你使用 http.server 模块，将目录 /tmp 通过 HTTP 协议发布到 8080 端口，并通过浏览器验证是否发布成功。

参考答案：
bash
# 在终端里执行（Python 自带 http.server，无需额外安装）
cd /tmp
python3 -m http.server 8080
# 然后在浏览器打开 http://localhost:8080
1
2
3
4
终端会打印每一条访问记录；浏览器能列出 /tmp 下的文件就说明发布成功。按 Ctrl + C 停止服务。（服务器启动后需要浏览器验证，故此处仅给命令，未在文档中演示。）

第 109 讲 · 怎样设计人脸识别系统？

本节目标

把「分类器 + 训练好的模型」组装起来，做出一个能实时判断「是谁」的人脸识别系统。

知识要点

1. 调用分类器和训练模型对图片进行人脸识别

用途	函数
读取训练模型	`recogizer.read(训练模型文件)`
人脸识别	`recogizer.predict(人脸像素块)`

predict() 返回两个值：

ids：预测出的标签号（这个人是谁）；
confidence：可信度（越小说明越像、越有把握）。

2. 通过标注优化参数

默认模型往往识别效果不理想。用人眼通过矩形框标注，观察识别是否准确，再据此调整 detectMultiScale 的检测参数（如 scaleFactor、minNeighbors、人脸尺寸范围）和判断阈值，逐步把系统调准。

代码实操

课程仓库里的识别脚本 face_demo/face_detect.py（完整代码）：

python

import os
import cv2
from PIL import Image, ImageDraw, ImageFont
import numpy as np
from pathlib import Path

# 加载训练数据
recogizer=cv2.face.LBPHFaceRecognizer_create()
recogizer.read('trainer/trainer.yml')

names=["Boss"] # 名字
idn = [1] # 标签

# 识别图片
def face_detect_demo(img):

    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    # 调用人脸分类器
    face_detector = cv2.CascadeClassifier('/Library/Frameworks/Python.framework/Versions/3.11/lib/python3.11/site-packages/cv2/data/haarcascade_frontalface_default.xml')
    
    # 读取人脸特征并返回人脸坐标
    face=face_detector.detectMultiScale(gray,1.1,5,0,(100,100),(800,800))
    for x,y,w,h in face:
        # 标记人脸
        cv2.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
        # 识别人脸
        ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])
        if confidence > 60:
            print("陌生人")
        else:
            print("老板来了，自动关闭游戏")
    cv2.imshow('result', img)


cap=cv2.VideoCapture(0)

while True:
    flag,frame=cap.read()
    if not flag:
        break
    face_detect_demo(frame)
    if ord(' ') == cv2.waitKey(10):
        break
cv2.destroyAllWindows()
cap.release()

⚠️ 本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）。需要摄像头实时画面 + cv2.face 模块 + 已训练好的 trainer/trainer.yml，本机三项不全，未真正执行。代码在 code/face_demo/face_detect.py，可运行版见 code/109-face-recognize.py。

这段程序的工作流：

recogizer.read('trainer/trainer.yml') —— 把第 108 讲训练好的模型读进来；
每一帧先转灰度、用分类器 detectMultiScale 找出所有人脸坐标；
对每张脸：cv2.rectangle 画红框，再 predict 判断是谁；
confidence > 60 就认为不像（打印「陌生人」），否则认为就是本人（打印「老板来了，自动关闭游戏」）—— 这就是「基于概率进行人脸归属分类」。

课后作业

请你用 OpenCV 实现特定人脸识别功能：识别用户为 A 时，终端输出 用户 A；识别出是其他用户时，输出其他用户。

参考答案（改判定逻辑）：
python
ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])
if confidence <= 60 and ids == 1:      # 像，且标签是 A（标签号 1 代表 A）
    print("用户 A")
else:
    print("其他用户")
1
2
3
4
5
关键点：先看 confidence（够不够像），再看 ids（像的是哪一号）。 names / idn 列表就是把「标签号」翻译成「人名」的字典，比如 names[0] == "Boss"。

第 110 讲 · 再回首：“计算机视觉”单元小结

本节目标

把整个「计算机视觉」单元串成一条线：为什么能识别 → 用什么库 → 怎么采集 → 怎么训练 → 怎么识别。

知识要点

单元全景

讲	主题	一句话
105	人脸识别的一般步骤	图片 = 数字；检测（分类）+ 对比（相似度）
106	常用库	传统用 OpenCV，深度学习用 TensorFlow / PyTorch
107	采集视频信号	摄像头 / MP4 → 灰度 → 截图存成训练数据
108	训练人脸模型	读图片 → 加载分类器 → 提特征 → 存 `trainer.yml`
109	设计识别系统	加载模型 → `predict` 得 `confidence` → 判定是谁

贯穿全章的一条主线

一张图片/一帧视频
      │  ① 转灰度 cvtColor
      ▼
   灰度图 ──② 检测人脸 detectMultiScale──► 若干 (x, y, w, h)
      │
      ├─③ 训练阶段：抠出人脸块 + 标签 → train() → trainer.yml
      │
      └─④ 识别阶段：抠出人脸块 → predict() → (ids, confidence) → 判定是谁

代码实操

本讲是单元小结，没有新代码。建议你把前几讲的脚本在自己装了摄像头和 opencv-contrib-python 的电脑上依次跑一遍，走通完整链路：

bash

# 0) 准备环境（Python 3.9）
pip3.9 install -r required.txt

# 1) 采集训练图片（按 s 截图，按空格退出）→ imgdata/*.jpg
python3 face_demo/face_cap.py

# 2) 训练模型 → trainer/trainer.yml
python3 face_demo/face_train.py

# 3) 实时识别
python3 face_demo/face_detect.py

⚠️ 本节为说明，未实跑（需摄像头 + opencv-contrib-python 环境）。以上三步都依赖摄像头与 cv2.face，本机均不具备，所以只在文档中给出命令，未执行。

课后作业

（PPT 本讲无新作业。）复习建议：

用一句话解释「为什么计算机能识别人脸」；
默写人脸识别的四个一般步骤；
说清 imread / imshow / imwrite / rectangle 各干什么；
说清训练模型三步与识别一步分别用到哪个函数。

本章小结

速查表

主题	关键函数 / 要点
读图片	`cv2.imread(路径)`（返回 NumPy 数组，颜色为 BGR）
显示图片	`cv2.imshow(窗口名, 图片)`（需图形界面）
保存图片	`cv2.imwrite(路径, 图片)`
画矩形	`cv2.rectangle(img, (x1,y1), (x2,y2), color=(0,0,255), thickness=2)`
转灰度	`cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)`
打开摄像头	`cv2.VideoCapture(0)`（参数换成路径则读 MP4）
截图存盘	`cv2.imencode(".jpg", frame)[1].tofile(路径)`
加载分类器	`cv2.CascadeClassifier(".../haarcascade_frontalface_default.xml")`
检测人脸	`face_detector.detectMultiScale(gray, 1.1, 5, 0, (100,100), (800,800))`
训练模型	`cv2.face.LBPHFaceRecognizer_create()` → `train(faces, ids)` → `write("trainer/trainer.yml")`
识别人脸	`recogizer.read("trainer/trainer.yml")` → `predict(face)` → `(ids, confidence)`
判定规则	`confidence > 60` 判为「陌生人」，否则判为本人

三句话

计算机「看见」人脸的底层，是把图片当成数字做数学计算。
人脸识别 = 检测（找出脸在哪，分类问题）+ 对比（像不像，相似度）。
整条链路是：采集 → 灰度 → 检测 → 训练 → 预测，OpenCV 的 cv2.face 模块必须靠 opencv-contrib-python 才有。

动手练习

用 Pillow 打开任意一张图，打印它的尺寸和左上角像素（参考 code/105-image-info.py）。
用 cv2.rectangle() 在图上画两个框并 imwrite 保存（参考 code/cvtest.py）。
在自己电脑上装好 opencv-contrib-python，跑通「采集 → 训练 → 识别」三步。

下一章预告

第 15 章进入物联网：用 ESP32 开发板连网，讲清 TCP / MQTT / 物模型，让 Python 程序去和真实硬件「对话」。

⚠️ 该章需要 ESP32 硬件，同样属于「未实跑」范畴，讲原理 + 给完整代码。

← 上一章：Web 开发｜返回总目录｜下一章：物联网 →

第 14 章 · 计算机视觉：使用 Python 进行人脸识别 ​

🎯 本章目标 ​

第 105 讲 · 理论盘点：人脸识别的一般步骤 ​

本节目标 ​

知识要点 ​

代码实操 ​

课后作业 ​

第 106 讲 · 理论盘点：人脸识别常用的 Python 库有哪些？ ​

本节目标 ​

知识要点 ​

代码实操 ​

课后作业 ​

第 107 讲 · 怎样通过 OpenCV 采集视频信号？ ​

本节目标 ​

知识要点 ​

代码实操 ​

课后作业 ​

第 108 讲 · 如何训练人脸模型？ ​

本节目标 ​

知识要点 ​

代码实操 ​

课后作业 ​

第 109 讲 · 怎样设计人脸识别系统？ ​

本节目标 ​

知识要点 ​

代码实操 ​

课后作业 ​

第 110 讲 · 再回首：“计算机视觉”单元小结 ​

本节目标 ​

知识要点 ​

代码实操 ​

课后作业 ​

本章小结 ​

下一章预告 ​

第 14 章 · 计算机视觉：使用 Python 进行人脸识别

🎯 本章目标

第 105 讲 · 理论盘点：人脸识别的一般步骤

本节目标

知识要点

代码实操

课后作业

第 106 讲 · 理论盘点：人脸识别常用的 Python 库有哪些？

本节目标

知识要点

代码实操

课后作业

第 107 讲 · 怎样通过 OpenCV 采集视频信号？

本节目标

知识要点

代码实操

课后作业

第 108 讲 · 如何训练人脸模型？

本节目标

知识要点

代码实操

课后作业

第 109 讲 · 怎样设计人脸识别系统？

本节目标

知识要点

代码实操

课后作业

第 110 讲 · 再回首：“计算机视觉”单元小结

本节目标

知识要点

代码实操

课后作业

本章小结

下一章预告