简介面向具备基础Python语法、正在学习计算机视觉的初学者与开发者这份人脸识别代码资源依检测、提特征、匹配识别三条主线整理了一套可动手运行的基础示例覆盖从人脸框选到身份比对的主要链路。压缩包共13个文件含5个py脚本、6张jpg和2张png测试图片整体仅3.33MB适合快速下载与本地练习。5个脚本分别演示OpenCV Haar级联、dlib HOG/DNN等检测方法以及基于欧氏距离或余弦相似度的特征匹配facetest、facesmile等脚本还涉及阈值调整与表情检测配套图像覆盖不同姿态与场景便于直观对照检测和识别结果也可以在替换自定义图片后观察特征提取与匹配变化。该资源已有160人学习下载适合刚接触人脸识别技术、希望借助可执行代码快速构建完整验证流程的开发者与项目预研人员。1. 人脸识别降维应用从门禁机到离线 Python 方案我拆过不少“刚需型”人脸识别项目发现一个共同的认知误区很多人把“人脸识别”和“在线 API”画等号——调接口、耗流量、按次收费还担心数据脱手。实际上一个纯离线、跑在普通笔记本上的 Python 方案完全够用特别适合安防门禁、班级点名、一台设备管一个库的小场景。因为一套基础的人脸识别流程本质上就是人脸检测 特征提取 特征比对三段式OpenCV 的 Haar 级联负责检测LBPH 或局部二值模式负责提取纹理特征最后用直方图相似度打分。这套东西用face.py、facetest.py这种单文件脚本就能跑通全流程。如果你的任务是处理一批图片、识别固定人群、或者给老设备加点“刷脸”能力下面这些代码和排错经验能直接抄作业。2. 搭建离线人脸识别环境OpenCV 版本选型与安装避坑2.1 为什么优先选择 OpenCV 而不是 dlib压缩包里源码对应的核心依赖是 OpenCV这是 Python 计算机视觉领域最实用的选择。dlib 的 HOG 线性 SVM 检测精度不错但编译安装对 Windows 用户不友好经常卡在 CMake 和 Visual Studio Build Tools 上而 OpenCV 的预编译 wheel 包开箱即用CPU 版本就能满足日常识别需求。如果涉及face.py这种人脸提取脚本OpenCV 自带的CascadeClassifier加载的是 Haar 特征 XML 文件定位人脸的稳定性和速度在普通摄像头场景下足够。提示别一上来就装opencv-contrib-python和opencv-python两个包会冲突。只需装其中一个推荐opencv-contrib-python因为里面额外包含人脸识别模块face对应压缩包里的face.py才能顺利导入cv2.face。2.2 环境安装的推荐命令建议使用 Python 3.8 到 3.10 版本太新的 Python 版本可能等不到对应版本的 OpenCV wheel。创建虚拟环境后再安装python -m venv face_env source face_env/bin/activate # Windows 下用 face_env\Scripts\activate pip install opencv-contrib-python4.8.0.74 numpy matplotlib参数说明opencv-contrib-python必须锁版本因为新版本去掉了部分face模块的接口兼容numpy是图像矩阵运算的底座matplotlib用于可视化检测框和识别结果。装完后用下面这行验证关键模块是否就绪import cv2 print(cv2.__version__) print(hasattr(cv2, face)) # 输出 True 表示 LBPH 可用逻辑说明hasattr(cv2, face)是判断当前 OpenCV 版本是否包含人脸识别扩展模块的标准方式。如果输出 False说明装成了标准版opencv-python需要先卸载再装 contrib 版本。2.3 常见安装坑动态链接库与 XML 模型路径Windows 上容易遇到“DLL load failed”的错误通常是 VC 运行库缺失安装一次 Visual C Redistributable 就能解决。Linux 上如果报缺少libGL.so.1执行apt install libgl1。另外Haar 级联 XML 文件的位置是个经典问题。cv2.data.haarcascades是最可靠的路径来源不要用相对路径否则换了目录就找不到face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml)3. 核心代码拆解从人脸检测到特征匹配的完整单文件实现3.1 人脸检测模块的实现方式压缩包里的图片文件image6.jpg、image4.jpg、image2.png等本意就是拿来测试多角度、多光照下人脸框的稳定性。先看face.py类代码的核心循环import cv2 import os def detect_faces(image_path): img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) faces face_cascade.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(30, 30) ) for (x, y, w, h) in faces: cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2) return img, faces逻辑说明先转为灰度图因为 Haar 特征只计算灰度空间里的矩形特征转灰度能减少计算量并提升检测稳定性。detectMultiScale是滑动窗口 图像金字塔的经典实现scaleFactor1.1表示每次缩放缩小 10%数值越小检测越耗时但越精细minNeighbors5控制一个区域至少被几个相邻窗口命中才算人脸调高可以减少误检但可能漏掉侧面脸。minSize(30, 30)过滤掉小于该尺寸的检测框避免把噪声当人脸。3.2 特征提取与训练LBPH 算法与样本预处理facesmile.py和facetest.py的角色分工是前者做人脸样本采集抓帧后者做训练与识别。LBPHLocal Binary Pattern Histogram算法的核心思想是把人脸划分成若干小格子在每个格子里计算局部二值模式直方图最后拼接成整张人脸的辐射状特征向量。它的优势是灰度变化不敏感在室内环境足够健壮。def prepare_training_data(data_folder): faces, labels [], [] label_map {} current_label 0 for person_name in os.listdir(data_folder): person_folder os.path.join(data_folder, person_name) if not os.path.isdir(person_folder): continue label_map[current_label] person_name for image_name in os.listdir(person_folder): image_path os.path.join(person_folder, image_name) img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces.append(gray) labels.append(current_label) current_label 1 return faces, labels, label_map参数说明标准的数据组织方式是dataset/人员A/1.jpg、dataset/人员A/2.jpg人员B/目录下的图片自动打上标签1。这里没有做人脸对齐和裁剪因为在样本量小每人 10 到 20 张的情况下直接整图训练的效果反而稳定。但如果图片中背景占比高建议先调用上一节的detect_faces把脸部 ROI 裁剪出来再喂给训练函数。训练和识别部分用opencv-contrib-python内建的 LBPH 接口recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(labels)) recognizer.save(face_model.yml)预测时返回标签和置信度置信度不是概率而是距离值越小越匹配label, confidence recognizer.predict(gray_face) if confidence 60: name label_map[label] else: name Unknown3.3 基于相似度匹配的对比方案如果你的任务不是固定人脸库识别而是“这两张图是不是同一个人”直接用特征向量比对更直观。OpenCV 人脸识别器没有直接输出向量但可以用直方图比较法近似实现这也是opency-facetest.py里的备选做法def calc_face_hist(gray_face): # 使用 LBP 变体直接计算局部二值模式图的直方图 radius 1 neighbors 8 lbp np.zeros_like(gray_face) for i in range(radius, gray_face.shape[0] - radius): for j in range(radius, gray_face.shape[1] - radius): center gray_face[i, j] code 0 for k in range(neighbors): dx radius * np.cos(2 * np.pi * k / neighbors) dy -radius * np.sin(2 * np.pi * k / neighbors) x int(round(j dx)) y int(round(i dy)) if gray_face[y, x] center: code | (1 k) lbp[i, j] code hist cv2.calcHist([lbp], [0], None, [256], [0, 256]) cv2.normalize(hist, hist) return hist这个实现比较粗暴双重循环处理一张 100x100 的灰度图大概要几十毫秒但胜在不需要训练。比对时用cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)相关性越接近 1 说明越像。提示如果追求精度正路是把人脸图resize到 112x112 送入深度学习模型提取 512 维特征向量。但不是所有场景都需要这股“大力”固定机位门禁用 LBPH 就够了。4. 样本组织与参数调优让识别在真实场景下不掉链子4.1 数据集组织和增强的实操路径压缩包里出现output.jpg、image7.png这类散点图片说明作者是用“一张图测一次”的方式在调试这更像本地验证思路。真正要落地到“人传人人脸”的场景样本采集必须有方法论。一个人采集太少识别率低采集太多但都是同角度模型照样学废。采集要求推荐做法原因人脸角度左右各 15 度、上下各 10 度Haar 检测器对平面内旋转敏感光照环境正常光、偏暗、偏亮各 1/3LBPH 对光照变化有一定容忍度分辨率去背景留脸部区域减少背景纹理污染直方图样本数量每人 15 张左右再少覆盖不了角度变化再多容易过拟合我这里用opency-face.py做样本采集思路是用摄像头连续抓帧自动检测人脸并保存cap cv2.VideoCapture(0) count 0 while count 15: ret, frame cap.read() faces detector.detectMultiScale( cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY), 1.3, 5 ) for (x, y, w, h) in faces: face cv2.resize(frame[y:yh, x:xw], (200, 200)) cv2.imwrite(fdataset/person_{count}.jpg, face) count 1 time.sleep(0.3)参数说明这里detectMultiScale的scaleFactor调整为 1.3比检测图时激进因为摄像头连续帧允许偶发漏检。time.sleep(0.3)控制每帧之间的保存间隔防止连拍出极其相似的样本。4.2 LBPH 参数调节与识别置信度阈值face.py里如果直接调用LBPHFaceRecognizer_create默认参数实际效果可能和你想的不一样我建议显式设定这两个参数recognizer cv2.face.LBPHFaceRecognizer_create( radius2, neighbors8, grid_x8, grid_y8 )radius2让局部二值模式覆盖更大邻域对模糊图像更友好grid_x8, grid_y8表示把人脸划分为 64 个区块单独计算直方图。区块越多细节越多但也越容易受对齐误差影响。室内固定机位可以保持 8x8如果图片对齐不稳定降到 6x6 更稳。置信度阈值的选择是识别准头的重要部分。LBPH 的predict返回的是归一化后的距离常见经验值如下场景建议阈值说明机房、办公室门禁光线稳定50严格模式减少误报户外、移动设备70换容错换检出率高安全场景40宁可漏识不可错识5. 进阶技巧用自适应直方图均衡化提升光照鲁棒性及实时视频流的性能优化最后这部分我想分享一个直接能用在facetest.py和facesmile.py里的卫生习惯不要直接拿原始灰度图做人脸识别所有进入 LBPH 的图像先过一次 CLAHEContrast Limited Adaptive Histogram Equalization。def preprocess_for_face(gray): clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) return clahe.apply(gray)这个操作对侧光、逆光场景特别有效因为它不是全局拉对比度而是分块均衡化防止脸部一半亮一半暗导致 LBPH 直方图偏斜。代价是单帧多 1 到 2 毫秒处理时间换来的识别稳定性相当划算。把preprocess_for_face接到训练和预测两端的输入前置信度通常能改善 1020 个点。gray_face preprocess_for_face( cv2.cvtColor(face_roi, cv2.COLOR_BGR2GRAY) ) label, confidence recognizer.predict(gray_face)另一个实用技巧是视频流里做“帧间隔检测”不要对每一帧都跑完整识别。典型做法是每 3 帧跑一次人脸检测两次检测之间用cv2.TrackerKCF_create()跟踪已经锁定的脸部框。这样 CPU 占用直接降到原来的三分之一整个流程仍然流畅。我在一个普通 Intel i5 设备上实测单人脸跟踪下 LBPH 识别延迟只有 30 毫秒左右。如果识别率还是上不去先检查样本是不是真的覆盖了你要识别的姿态。还有一种很容易忽略的错误很多代码把imread读进来的图直接当灰度图用结果颜色空间全乱了。统一在训练和测试两端都遵守“检测 → 裁剪 → 灰度化 → CLAHE → resize(200x200)”这条链路项目标题里那份压缩包的face.py与facetest.py应该也是这个预期。跑通之后你再处理“人传人人脸”这类多人脸场景时把detectMultiScale的返回值循环一遍每张脸独立走预测流程最后用 OpenCV 的画框函数把名字标注在各自角色头上整个识别系统就完整了。本文还有配套的精品资源点击获取
离线人脸识别实战：基于OpenCV与LBPH的Python实现方案
简介面向具备基础Python语法、正在学习计算机视觉的初学者与开发者这份人脸识别代码资源依检测、提特征、匹配识别三条主线整理了一套可动手运行的基础示例覆盖从人脸框选到身份比对的主要链路。压缩包共13个文件含5个py脚本、6张jpg和2张png测试图片整体仅3.33MB适合快速下载与本地练习。5个脚本分别演示OpenCV Haar级联、dlib HOG/DNN等检测方法以及基于欧氏距离或余弦相似度的特征匹配facetest、facesmile等脚本还涉及阈值调整与表情检测配套图像覆盖不同姿态与场景便于直观对照检测和识别结果也可以在替换自定义图片后观察特征提取与匹配变化。该资源已有160人学习下载适合刚接触人脸识别技术、希望借助可执行代码快速构建完整验证流程的开发者与项目预研人员。1. 人脸识别降维应用从门禁机到离线 Python 方案我拆过不少“刚需型”人脸识别项目发现一个共同的认知误区很多人把“人脸识别”和“在线 API”画等号——调接口、耗流量、按次收费还担心数据脱手。实际上一个纯离线、跑在普通笔记本上的 Python 方案完全够用特别适合安防门禁、班级点名、一台设备管一个库的小场景。因为一套基础的人脸识别流程本质上就是人脸检测 特征提取 特征比对三段式OpenCV 的 Haar 级联负责检测LBPH 或局部二值模式负责提取纹理特征最后用直方图相似度打分。这套东西用face.py、facetest.py这种单文件脚本就能跑通全流程。如果你的任务是处理一批图片、识别固定人群、或者给老设备加点“刷脸”能力下面这些代码和排错经验能直接抄作业。2. 搭建离线人脸识别环境OpenCV 版本选型与安装避坑2.1 为什么优先选择 OpenCV 而不是 dlib压缩包里源码对应的核心依赖是 OpenCV这是 Python 计算机视觉领域最实用的选择。dlib 的 HOG 线性 SVM 检测精度不错但编译安装对 Windows 用户不友好经常卡在 CMake 和 Visual Studio Build Tools 上而 OpenCV 的预编译 wheel 包开箱即用CPU 版本就能满足日常识别需求。如果涉及face.py这种人脸提取脚本OpenCV 自带的CascadeClassifier加载的是 Haar 特征 XML 文件定位人脸的稳定性和速度在普通摄像头场景下足够。提示别一上来就装opencv-contrib-python和opencv-python两个包会冲突。只需装其中一个推荐opencv-contrib-python因为里面额外包含人脸识别模块face对应压缩包里的face.py才能顺利导入cv2.face。2.2 环境安装的推荐命令建议使用 Python 3.8 到 3.10 版本太新的 Python 版本可能等不到对应版本的 OpenCV wheel。创建虚拟环境后再安装python -m venv face_env source face_env/bin/activate # Windows 下用 face_env\Scripts\activate pip install opencv-contrib-python4.8.0.74 numpy matplotlib参数说明opencv-contrib-python必须锁版本因为新版本去掉了部分face模块的接口兼容numpy是图像矩阵运算的底座matplotlib用于可视化检测框和识别结果。装完后用下面这行验证关键模块是否就绪import cv2 print(cv2.__version__) print(hasattr(cv2, face)) # 输出 True 表示 LBPH 可用逻辑说明hasattr(cv2, face)是判断当前 OpenCV 版本是否包含人脸识别扩展模块的标准方式。如果输出 False说明装成了标准版opencv-python需要先卸载再装 contrib 版本。2.3 常见安装坑动态链接库与 XML 模型路径Windows 上容易遇到“DLL load failed”的错误通常是 VC 运行库缺失安装一次 Visual C Redistributable 就能解决。Linux 上如果报缺少libGL.so.1执行apt install libgl1。另外Haar 级联 XML 文件的位置是个经典问题。cv2.data.haarcascades是最可靠的路径来源不要用相对路径否则换了目录就找不到face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml)3. 核心代码拆解从人脸检测到特征匹配的完整单文件实现3.1 人脸检测模块的实现方式压缩包里的图片文件image6.jpg、image4.jpg、image2.png等本意就是拿来测试多角度、多光照下人脸框的稳定性。先看face.py类代码的核心循环import cv2 import os def detect_faces(image_path): img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) faces face_cascade.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(30, 30) ) for (x, y, w, h) in faces: cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2) return img, faces逻辑说明先转为灰度图因为 Haar 特征只计算灰度空间里的矩形特征转灰度能减少计算量并提升检测稳定性。detectMultiScale是滑动窗口 图像金字塔的经典实现scaleFactor1.1表示每次缩放缩小 10%数值越小检测越耗时但越精细minNeighbors5控制一个区域至少被几个相邻窗口命中才算人脸调高可以减少误检但可能漏掉侧面脸。minSize(30, 30)过滤掉小于该尺寸的检测框避免把噪声当人脸。3.2 特征提取与训练LBPH 算法与样本预处理facesmile.py和facetest.py的角色分工是前者做人脸样本采集抓帧后者做训练与识别。LBPHLocal Binary Pattern Histogram算法的核心思想是把人脸划分成若干小格子在每个格子里计算局部二值模式直方图最后拼接成整张人脸的辐射状特征向量。它的优势是灰度变化不敏感在室内环境足够健壮。def prepare_training_data(data_folder): faces, labels [], [] label_map {} current_label 0 for person_name in os.listdir(data_folder): person_folder os.path.join(data_folder, person_name) if not os.path.isdir(person_folder): continue label_map[current_label] person_name for image_name in os.listdir(person_folder): image_path os.path.join(person_folder, image_name) img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces.append(gray) labels.append(current_label) current_label 1 return faces, labels, label_map参数说明标准的数据组织方式是dataset/人员A/1.jpg、dataset/人员A/2.jpg人员B/目录下的图片自动打上标签1。这里没有做人脸对齐和裁剪因为在样本量小每人 10 到 20 张的情况下直接整图训练的效果反而稳定。但如果图片中背景占比高建议先调用上一节的detect_faces把脸部 ROI 裁剪出来再喂给训练函数。训练和识别部分用opencv-contrib-python内建的 LBPH 接口recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(labels)) recognizer.save(face_model.yml)预测时返回标签和置信度置信度不是概率而是距离值越小越匹配label, confidence recognizer.predict(gray_face) if confidence 60: name label_map[label] else: name Unknown3.3 基于相似度匹配的对比方案如果你的任务不是固定人脸库识别而是“这两张图是不是同一个人”直接用特征向量比对更直观。OpenCV 人脸识别器没有直接输出向量但可以用直方图比较法近似实现这也是opency-facetest.py里的备选做法def calc_face_hist(gray_face): # 使用 LBP 变体直接计算局部二值模式图的直方图 radius 1 neighbors 8 lbp np.zeros_like(gray_face) for i in range(radius, gray_face.shape[0] - radius): for j in range(radius, gray_face.shape[1] - radius): center gray_face[i, j] code 0 for k in range(neighbors): dx radius * np.cos(2 * np.pi * k / neighbors) dy -radius * np.sin(2 * np.pi * k / neighbors) x int(round(j dx)) y int(round(i dy)) if gray_face[y, x] center: code | (1 k) lbp[i, j] code hist cv2.calcHist([lbp], [0], None, [256], [0, 256]) cv2.normalize(hist, hist) return hist这个实现比较粗暴双重循环处理一张 100x100 的灰度图大概要几十毫秒但胜在不需要训练。比对时用cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)相关性越接近 1 说明越像。提示如果追求精度正路是把人脸图resize到 112x112 送入深度学习模型提取 512 维特征向量。但不是所有场景都需要这股“大力”固定机位门禁用 LBPH 就够了。4. 样本组织与参数调优让识别在真实场景下不掉链子4.1 数据集组织和增强的实操路径压缩包里出现output.jpg、image7.png这类散点图片说明作者是用“一张图测一次”的方式在调试这更像本地验证思路。真正要落地到“人传人人脸”的场景样本采集必须有方法论。一个人采集太少识别率低采集太多但都是同角度模型照样学废。采集要求推荐做法原因人脸角度左右各 15 度、上下各 10 度Haar 检测器对平面内旋转敏感光照环境正常光、偏暗、偏亮各 1/3LBPH 对光照变化有一定容忍度分辨率去背景留脸部区域减少背景纹理污染直方图样本数量每人 15 张左右再少覆盖不了角度变化再多容易过拟合我这里用opency-face.py做样本采集思路是用摄像头连续抓帧自动检测人脸并保存cap cv2.VideoCapture(0) count 0 while count 15: ret, frame cap.read() faces detector.detectMultiScale( cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY), 1.3, 5 ) for (x, y, w, h) in faces: face cv2.resize(frame[y:yh, x:xw], (200, 200)) cv2.imwrite(fdataset/person_{count}.jpg, face) count 1 time.sleep(0.3)参数说明这里detectMultiScale的scaleFactor调整为 1.3比检测图时激进因为摄像头连续帧允许偶发漏检。time.sleep(0.3)控制每帧之间的保存间隔防止连拍出极其相似的样本。4.2 LBPH 参数调节与识别置信度阈值face.py里如果直接调用LBPHFaceRecognizer_create默认参数实际效果可能和你想的不一样我建议显式设定这两个参数recognizer cv2.face.LBPHFaceRecognizer_create( radius2, neighbors8, grid_x8, grid_y8 )radius2让局部二值模式覆盖更大邻域对模糊图像更友好grid_x8, grid_y8表示把人脸划分为 64 个区块单独计算直方图。区块越多细节越多但也越容易受对齐误差影响。室内固定机位可以保持 8x8如果图片对齐不稳定降到 6x6 更稳。置信度阈值的选择是识别准头的重要部分。LBPH 的predict返回的是归一化后的距离常见经验值如下场景建议阈值说明机房、办公室门禁光线稳定50严格模式减少误报户外、移动设备70换容错换检出率高安全场景40宁可漏识不可错识5. 进阶技巧用自适应直方图均衡化提升光照鲁棒性及实时视频流的性能优化最后这部分我想分享一个直接能用在facetest.py和facesmile.py里的卫生习惯不要直接拿原始灰度图做人脸识别所有进入 LBPH 的图像先过一次 CLAHEContrast Limited Adaptive Histogram Equalization。def preprocess_for_face(gray): clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) return clahe.apply(gray)这个操作对侧光、逆光场景特别有效因为它不是全局拉对比度而是分块均衡化防止脸部一半亮一半暗导致 LBPH 直方图偏斜。代价是单帧多 1 到 2 毫秒处理时间换来的识别稳定性相当划算。把preprocess_for_face接到训练和预测两端的输入前置信度通常能改善 1020 个点。gray_face preprocess_for_face( cv2.cvtColor(face_roi, cv2.COLOR_BGR2GRAY) ) label, confidence recognizer.predict(gray_face)另一个实用技巧是视频流里做“帧间隔检测”不要对每一帧都跑完整识别。典型做法是每 3 帧跑一次人脸检测两次检测之间用cv2.TrackerKCF_create()跟踪已经锁定的脸部框。这样 CPU 占用直接降到原来的三分之一整个流程仍然流畅。我在一个普通 Intel i5 设备上实测单人脸跟踪下 LBPH 识别延迟只有 30 毫秒左右。如果识别率还是上不去先检查样本是不是真的覆盖了你要识别的姿态。还有一种很容易忽略的错误很多代码把imread读进来的图直接当灰度图用结果颜色空间全乱了。统一在训练和测试两端都遵守“检测 → 裁剪 → 灰度化 → CLAHE → resize(200x200)”这条链路项目标题里那份压缩包的face.py与facetest.py应该也是这个预期。跑通之后你再处理“人传人人脸”这类多人脸场景时把detectMultiScale的返回值循环一遍每张脸独立走预测流程最后用 OpenCV 的画框函数把名字标注在各自角色头上整个识别系统就完整了。本文还有配套的精品资源点击获取
