企业官网建设流程全解析

简介：基于OpenCV和Python的人脸识别门禁系统实现，采用LBPH算法，面向计算机视觉学习者与Python开发者。资源覆盖人脸数据准备、Haar级联检测、LBPH特征提取、模型训练与相似度判别的完整流程，并提供了门禁场景下的实际应用示例，适合作为课程设计或入门项目的参考。压缩包内含49个文件，以30个pgm人脸样本、5个png图标、4个xml级联分类器、4个Python脚本及两个pyc编译文件为主，另有说明文档与样例图片，整体约987KB，结构清晰便于按模块学习。已有1727人学习下载，内容包括面部检测分类器、LBPH识别模型、UI界面代码及README说明，可直接运行或二次开发，帮助读者快速掌握基于OpenCV的人脸识别系统搭建思路与核心API用法。

1. OpenCV + Python 人脸识别：为什么这个组合能快速出活

如果你想在本地摄像头前判断“这是谁”，而不是只画个框，OpenCV + Python 是目前门槛最低的落地路径。它不需要 GPU、不需要装 PyTorch、不需要自己训练卷积网络，靠 OpenCV 自带的 Haar 级联检测器 + LBPH 人脸识别器，几十行代码就能跑通“检测人脸 → 提取特征 → 识别身份”的完整链路。这套方案非常适合做小型考勤、实验室门禁模拟、毕设原型，也适合想搞懂人脸识别底层逻辑的开发者。它的边界也很明确：不是为百万级人脸库设计的，但对 5～50 人的小规模场景，够用且可控。这篇文章就沿着环境、原理、代码、排错、进阶五个方向，把这条链路彻底讲透。

2. 环境准备：OpenCV 版本选择是第一坑，别急着写代码

很多人在这一步就翻车，而且翻得莫名其妙：代码明明照着教程敲的，import cv2也不报错，但一调用cv2.face.LBPHFaceRecognizer_create()就提示找不到属性。这不是你写错了，是装错了包。

2.1 opencv-python 和 opencv-contrib-python 有什么区别

OpenCV 官方把核心模块和扩展模块分开打包。opencv-python只包含核心模块，通常能用 Haar 级联做检测、图像处理这些常规功能；但人脸识别器LBPHFaceRecognizer、人脸特征提取这些属于opencv_contrib模块，只有opencv-contrib-python才带。所以做基于 OpenCV 的人脸识别，需要装的是 contrib 版本，而不是普通版本。

如果你之前已经装过opencv-python，再装opencv-contrib-python极有可能导致包冲突，两个包的cv2会互相覆盖。我踩过的做法是：先全部卸载，再单独装 contrib。命令如下：

pip uninstall opencv-python opencv-contrib-python -y pip install opencv-contrib-python

这里-y是为了跳过卸载确认，避免卡在中间步骤。装完之后验证一下版本和 face 模块是否真的可用。

import cv2 print("OpenCV version:", cv2.__version__) recognizer = cv2.face.LBPHFaceRecognizer_create() print("face module OK:", type(recognizer))

如果第一行输出了类似4.10.0的版本号，第二行没有抛异常，说明 face 模块已经就位。很多教程只说pip install opencv-python，这恰恰是后续报AttributeError: module 'cv2' has no attribute 'face'的根源。

2.2 推荐环境与安装命令

我一般建议用 Python 3.9～3.12 之间的版本，配一个虚拟环境再做项目。不建议直接往系统 Python 里塞依赖，尤其是 Linux 自带 Python 的情况下，权限和包冲突会消耗大量时间。创建虚拟环境的步骤：

python -m venv face_env source face_env/bin/activate # Windows 下用 face_env\Scripts\activate pip install --upgrade pip pip install opencv-contrib-python numpy

为什么用虚拟环境？因为不同 OpenCV 版本对 numpy、Python 版本的兼容性不一样，虚拟环境可以让你在多个项目之间隔离依赖，不会因为有一次pip install 某某包把 OpenCV 的依赖搞坏。

安装时如果网络慢，可以加镜像源，但我不推荐在教程里固定某个镜像地址，因为各网络环境差异很大。一个更稳的做法是先用默认源装，如果超时再将源换成国内镜像重试。

在 Windows 上需要特别注意：如果电脑上同时装了 Anaconda 和原生 Python，pip可能指向的不是你当前激活环境里的那个 Python。建议先执行：

import sys print(sys.executable)

确认你的 Python 解释器路径，再决定用哪个 pip。否则经常出现“明明装了包，另一个环境里却 import 不到”的鬼问题。

2.3 准备摄像头与人脸检测器模型

OpenCV 安装包自带 Haar 级联模型，路径通过cv2.data.haarcascades获取，不需要额外下载。常见的有几个：haarcascade_frontalface_default.xml用于正面人脸检测，haarcascade_frontalface_alt2.xml精度略高但更慢，haarcascade_eye.xml用于眼睛检测。做人脸识别项目，默认用frontalface_default即可，它兼顾速度和召回率。

摄像头的打开方式也有讲究：

import cv2 cap = cv2.VideoCapture(0) # 0 是默认摄像头索引 if not cap.isOpened(): print("无法打开摄像头，请检查索引号") exit(1) ok, frame = cap.read() if not ok: print("无法读取画面，检查摄像头是否被占用") exit(1) print("摄像头分辨率:", frame.shape) cap.release()

VideoCapture(0)的 0 代表系统默认摄像头，外接摄像头通常是 1 或 2，Linux 下可以用ls /dev/video*查看设备节点来确认。如果摄像头被其他程序占用（比如直播软件、另一段 Python 进程），cap.read()会一直返回 False，这时把占用程序关掉再试即可。另外，Windows 上如果打开摄像头卡死，可以改成cv2.VideoCapture(0, cv2.CAP_DSHOW)，这是 DirectShow 后端，兼容性更好，代价是初始化稍慢一点。

环境这一关过去之后，后面才谈得上写算法逻辑。

3. 先弄懂再动手：Haar 级联与 LBPH 的原理和分工

人脸识别不是一个“单步操作”，而是两段式流水线：先用检测器从画面里把人脸的位置找出来，再用识别器判断这个人是谁。很多新手把这两步混为一谈，导致识别结果惨不忍睹。这里拆开讲清楚。

3.1 Haar 级联负责检测：把“脸在哪”找出来

Haar 级联的原理可以简单理解为：用一组像小矩形模板的特征（眼睛区域比脸颊暗、鼻梁比两侧亮等），通过滑动窗口在图像上逐级筛选，每一级都是一组弱分类器，全部通过才认为是人脸。OpenCV 中对应CascadeClassifier和detectMultiScale方法。

import cv2 cascade_path = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' face_cascade = cv2.CascadeClassifier(cascade_path) frame = cv2.imread('test.jpg') gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale( gray, scaleFactor=1.1, minNeighbors=5, minSize=(64, 64) ) print("检测到的人脸:", faces)

核心参数有三个。

scaleFactor：每轮滑动窗口缩小的比例。越大检测越快，但容易漏掉偏小的人脸；越小检测越慢，召回率更高。常规取值在1.05到1.3之间，1.1是多数项目的平衡点。

minNeighbors：一个候选区域周围至少要保留多少个相邻检测框才算数。数值越大，误检越少，但真正的人脸也可能因相邻框不够而被丢弃。5到7比较常用，室外强阴影场景我会调到8。

minSize：最小人脸尺寸。低于这个尺寸的候选框直接忽略。如果摄像头离人脸远，这个值要调小；如果只做近距离考勤，调大到80x80能显著减少误检。

detectMultiScale输入建议用灰度图，因为 Haar 特征是基于亮度对比的，彩色通道没有额外价值。直接把彩色图丢进去也能跑，但内部依然会转灰度，还浪费一次转换时间。

3.2 LBPH 负责识别：把“脸是谁”认出来

LBPH 全称 Local Binary Patterns Histograms，局部二值模式直方图。它把灰度图分成一个个小区域，每个像素和它周围像素比较，生成一个二值模式串，然后统计成直方图作为这张脸的特征向量。训练阶段就是给每个人保存一份特征直方图，识别阶段把当前人脸的特征和库里所有特征做距离比较，距离最小的那个标签就是结果。

predict()返回两个值：label 和 confidence。label 是训练时设置的整数标签，confidence 是特征距离，越小表示越相似。注意这里和很多人的直观相反：confidence 不是置信度百分比，而是差距值，超过一定阈值就应该判定为“陌生人”。

import cv2 recognizer = cv2.face.LBPHFaceRecognizer_create() # 参数含义见下 recognizer.setRadius(2) recognizer.setNeighbors(8) recognizer.setGridX(8) recognizer.setGridY(8)

setRadius(2)：LBP 采样半径。半径越大，感受野越大，能捕捉更粗粒度的纹理，但也会丢失细节，典型取值是 1 或 2。

setNeighbors(8)：邻域采样点数。8 是默认值，对应 256 种二值模式。调大会提高区分度，但计算量也线性增长。

setGridX / setGridY：将人脸图划分成 8x8 的小格子，每个格子独立统计直方图。格子越多，空间信息保留得越多，但样本不足时容易过拟合，识别率反而下降。对 200x200 的训练图，8x8 是一个相对稳妥的选择。

LBPH 最大的优点是抗光照变化能力比 EigenFaces、FisherFaces 好。它不直接依赖像素绝对值，而是依赖局部像素的相对关系，因此对室内灯光明暗变化有一定容忍度。这也是我选它做主识别的核心理由。

3.3 检测与识别的分工：检测负责框，识别负责命名

检测器输出的是一个矩形(x, y, w, h)，识别器需要的是裁剪好的、固定尺寸的灰度图。所以流程必须严格是：检测 → 裁剪 → 灰度化 → resize → 送入识别器。任何一步缺失，识别结果都会崩坏。

常见错误是直接把整帧彩色图送给predict()，OpenCV 不会明确报错，但结果全是乱标签。还有一个更隐蔽的问题：训练阶段用了 200x200，识别阶段忘了 resize，或者用了不同尺寸，会导致直方图维度对不上。在 OpenCV 的实现里，predict()会按训练尺寸内部 resize，但手动统一尺寸仍然更可靠、更快。

这个“检测 + 识别”的分工决定了后续代码的结构：一个循环里先detectMultiScale，再对每个检测框做裁剪和识别。下一章就会把这条流水线完整实现出来。

4. 全流程代码：采集样本、训练模型、实时识别一次跑通

这一章是可以直接抄作业的部分。我按采集、训练、识别三个步骤拆成三份脚本，每份脚本单独运行，便于单步排查。文件组织方式为：

dataset/ person_tony/ 01.jpg 02.jpg person_jack/ 01.jpg 02.jpg

每个人在dataset下建一个子目录，目录名就是人名，子目录里的图片是这个人的人脸灰度图。这种组织结构比文件名塞标签更直观，代码里也更容易扩展新人。

4.1 第一步：采集人脸样本

采集脚本负责打开摄像头，用 Haar 检测器把每帧画面里的人脸裁下来，缩放成固定尺寸写入对应的子目录。这里不直接保存原始画面，而是保存裁剪后的灰度人脸，目的是减少后续训练时的数据清洗工作。

import cv2 import os save_dir = 'dataset/person_tony' # 改成要采集的人名 os.makedirs(save_dir, exist_ok=True) cascade_path = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' face_cascade = cv2.CascadeClassifier(cascade_path) cap = cv2.VideoCapture(0) count = 0 while True: ok, frame = cap.read() if not ok: print("读取摄像头失败") break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale( gray, scaleFactor=1.1, minNeighbors=6, minSize=(80, 80) ) for (x, y, w, h) in faces: count += 1 face_img = gray[y:y+h, x:x+w] face_img = cv2.resize(face_img, (200, 200)) img_path = os.path.join(save_dir, f'{count:03d}.jpg') cv2.imwrite(img_path, face_img) print('saved:', img_path) cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow('collect', frame) if cv2.waitKey(30) & 0xFF == ord('q') or count >= 80: break cap.release() cv2.destroyAllWindows() print('采集完成，共', count, '张')

逻辑说明：每次检测到人脸就保存一张，直到按q或攒满 80 张自动停止。minSize=(80, 80)可以让近距离的头发、下巴等区域不被误判为人脸。face_img先转灰度再 resize 到 200x200，这与后面训练识别时保持一致。

采集时的姿势要稍微动一动：左右转头 15 度左右、抬头低头、有表情和无表情、戴不戴眼镜都要拍几张。不要死盯着摄像头拍 80 张一模一样的，否则训练出的模型只认一个角度，换个角度就识别失败。光照场景建议在正常室内灯光下采集，避免一半脸亮一半脸暗。

4.2 第二步：训练 LBPH 模型

训练脚本会遍历dataset下所有子目录，为每个人分配整数标签，读取全部灰度图并统一尺寸后，交给 LBPH 训练。

import os import cv2 import numpy as np base_dir = 'dataset' X = [] y = [] label_dict = {} current_label = 0 for person_name in sorted(os.listdir(base_dir)): person_dir = os.path.join(base_dir, person_name) if not os.path.isdir(person_dir): continue if person_name not in label_dict: label_dict[person_name] = current_label current_label += 1 for img_name in os.listdir(person_dir): if not img_name.lower().endswith(('.jpg', '.jpeg', '.png')): continue img_path = os.path.join(person_dir, img_name) img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (200, 200)) X.append(img) y.append(label_dict[person_name]) print(f'{person_name}: {img_path} -> label {label_dict[person_name]}') # 这里 X 是列表，y 是 numpy 数组，LBPH 训练要求 label 是整数 recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.train(X, np.array(y)) recognizer.write('face_model.yml') # 保存标签映射表，识别时要用 with open('label_map.txt', 'w', encoding='utf-8') as f: for name, label in label_dict.items(): f.write(f'{label}:{name}\n') print('模型已保存，共', len(label_dict), '个人')

逻辑说明：label_dict将目录名映射成从 0 开始的整数，train()要求 label 必须是整数数组，不能直接传人名。训练完成后label_map.txt保存了整数和人名的对应关系，识别时需要反查名字。

有个容易忽略的点：recognizer.train()接受的 X 可以是列表，但 y 必须是整数数组，通常用np.array(y)转换。如果忘记了这一步，OpenCV 在某些版本里会报类型错误，或者训练出的模型标签全是错的。

训练结束时终端会打印每个人名和文件路径，可以核对是否有重复图片、是否有人漏了采集。如果某个人的样本少于 10 张，模型很容易过拟合，建议至少采集 20 张以上。

4.3 第三步：实时识别

识别脚本加载训练好的模型和标签映射，然后进入摄像头循环，不断检测人脸、裁剪、送入predict()，最后在画面中绘制名字和置信度。

import cv2 import numpy as np # 加载 LBPH 模型 recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read('face_model.yml') # 加载标签映射 label_map = {} with open('label_map.txt', 'r', encoding='utf-8') as f: for line in f: line = line.strip() if not line: continue label, name = line.split(':', 1) label_map[int(label)] = name # 人脸检测器 face_cascade = cv2.CascadeClassifier( cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' ) cap = cv2.VideoCapture(0) while True: ok, frame = cap.read() if not ok: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale( gray, scaleFactor=1.1, minNeighbors=6, minSize=(80, 80) ) for (x, y, w, h) in faces: face_img = gray[y:y+h, x:x+w] face_img = cv2.resize(face_img, (200, 200)) label, confidence = recognizer.predict(face_img) name = label_map.get(label, 'unknown') # LBPH 的置信度是距离，越小越像，超过阈值判为陌生人 if confidence < 60: display_name = name else: display_name = 'unknown' cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.putText( frame, f'{display_name} ({confidence:.1f})', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2 ) cv2.imshow('face recognition', frame) if cv2.waitKey(30) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

逻辑说明：predict()内部会对输入图做和训练时相同的直方图提取，因此我们只要保证在送入前 resize 到 200x200，结果就是稳定的。confidence越小说明当前脸和训练样本越接近，60这个阈值是我在常见室内灯光下用 30 人数据集调出来的一个经验值，它因人脸库大小、图片清晰度不同而有差异。

参数说明：如果你的人脸库只有几个人，且样本采集很规范，confidence通常会在 30～50 之间波动。如果发现熟人频繁被识别成 unknown，说明你的阈值太严格，把60往上调到70或80。如果发现陌生人也被识别成库内的人，说明阈值太宽松，往下调到50甚至40。

注意代码里的f'{display_name} ({confidence:.1f})'把置信度也显示出来，这在调参阶段非常重要。建议先跑一遍录制好的视频，把所有帧的 confidence 记录下来，再决定最终阈值。

4.4 四个常用参数的调节经验

下表是这套链路中最值得调的四个参数，也是网上教程很少说清的部分。

调参的通用思路：先固定人脸检测参数，保证每帧都能稳定框住人脸，再调识别阈值。不要同时动所有参数，否则翻车了不知道是哪一步出的问题。

我习惯的做法是：写一个离线测试脚本，读入测试图片集，把每张图的置信度打印出来，统计同一个人的置信度分布区间和不同人之间的重叠区间，然后取一个能拉开差距的阈值。这个流程每次换摄像头或换光照环境时都要重新走一遍，因为它和应用现场的硬件条件强相关。

这个参数表不是万能公式，但它能让你面对“识别不准”的问题时，有一个明确的排查方向，而不是靠玄学调参。

5. 避坑指南：人脸识别里常见的 5 个翻车现场

这一章是我自己的血泪总结，每条都按照“现象 → 原因 → 解决”的结构写，方便你对号入座。

5.1 运行时报 ModuleNotFoundError 或 AttributeError: module 'cv2' has no attribute 'face'

现象一：import cv2直接报ModuleNotFoundError: No module named 'cv2'。现象二：import cv2正常，但调用cv2.face时提示模块里没有这个属性。

原因一：根本没安装，或者安装在别的 Python 环境。原因二：装的是opencv-python而不是opencv-contrib-python，face 扩展模块不在这个包里。

解决：先确认当前解释器路径，再卸载重装。我建议执行：

python -m pip uninstall opencv-python opencv-contrib-python -y python -m pip install opencv-contrib-python

注意一定要用python -m pip，而不是直接敲pip，这样能确保命令指向当前激活环境。装完再跑一次前文的验证脚本，确认cv2.face.LBPHFaceRecognizer_create()能正常执行。

另一个隐性原因：OpenCV 的.pyd或.so文件被安全软件隔离，导致加载不完整。这种情况在 Windows 上偶有发生，重新安装一遍并加入信任列表即可。

5.2 陌生人被识别成自己人

现象：随便一张没见过的脸放到摄像头前，画面里照样显示某个库内人名的名字，而且 confidence 还挺高（比如 30+）。

原因：predict()不管这张脸像不像库里的，它只返回“所有已训练标签中距离最小的那个”。如果训练样本本身不够多样，或者阈值没设，程序就会把任何输入脸都归类到某个已知人物。

解决：在识别代码中强行加阈值判断，confidence 超过阈值一律显示 unknown。阈值不能拍脑袋，建议先不设阈值跑一批熟人照片，记录区间，再跑一批陌生人照片，记录区间，然后取两个区间的中间值。在我自己的项目里，室内灯光下 30 人数据集的分离点通常在 55 到 75 之间。

如果你的陌生人脸 confidence 和熟人脸几乎重叠，说明训练样本太少、太单一，应该回到第 4 章的采集步骤，为每个人补拍不同角度和表情的照片。靠阈值掩盖训练问题是治标不治本。

5.3 训练时报尺寸报错，或者识别率极低

现象一：train()抛异常，提示list of images must have the same size之类的信息。现象二：训练不报错，但识别时同一个人的不同顿照片给出不同标签。

原因：采集的数据集中，图片尺寸不统一。虽然我在采集脚本里做了resize(200, 200)，但如果你手动把图片放入 dataset 目录，或者用了不同的采集脚本，尺寸就会混乱。识别端对 frame 裁剪后如果不 resize，同样会造成特征向量错乱。

解决：训练脚本里对每张图片强制cv2.resize(img, (200, 200))，识别端也必须用完全相同的尺寸。这里的关键是训练和识别要一致，不只是统一一个地方。

我踩过的一次翻车是：训练时用 200x200，识别时误写成cv2.resize(face_img, (100, 100))，OpenCV 没有报错，但识别准确率直接掉到 50% 以下。后来我把训练和识别脚本里的 resize 常量抽到同一个配置文件里，才杜绝了这类问题。

5.4 摄像头画面里的人脸框乱跳、身份标签反复横跳

现象：手机稍微动一下，人脸框在脸上到处飘；识别结果一会儿是自己的名字，一会儿是 unknown，甚至闪出别人的名字。

原因：Haar 检测器对角度和光照非常敏感，每一帧检测到的框位置、大小都不稳定。识别器基于裁剪区域内容做判断，框一歪，特征就变。置信度在阈值边缘时，就会表现为标签跳动。

解决：一是调检测参数，把minNeighbors从 5 调大到 7，让误检框更少；把scaleFactor从 1.1 调大到 1.15，让框更稳定。二是对识别结果做平滑，不单帧判定身份。我常用的做法是维护一个最近 5 帧的标签投票队列，只有同一 label 出现 3 次以上才更新显示。

from collections import Counter history = [] # 每帧识别到 label 后 history.append(label) if len(history) > 5: history.pop(0) counter = Counter(history) best_label, best_count = counter.most_common(1)[0] if best_count >= 3: display_label = best_label else: display_label = -1 # 暂不更新

这段代码的代价是识别结果会滞后几帧，但对门禁、考勤这类静态场景无所谓，换来的稳定性反而更重要。如果你做的是实时人机交互，可以把窗口缩小到 3 帧。

5.5 装了很多环境后时好时坏：OpenCV 版本混成一锅粥

现象：今天代码能跑，明天同样的代码开始报错；import cv2的路径指向莫名其妙的外部 Python。

原因：同一个机器上有系统 Python、Anaconda、虚拟环境、Docker 等，每个环境里的 OpenCV 版本不同。你激活某个环境安装包，但 IDE 解释器却指向另一个环境的 Python。

解决：在项目根目录运行带路径的 Python，强制使用当前环境的解释器：./face_env/bin/python app.py。同时建议在代码开头打印版本：

import cv2 import sys print(cv2.__version__) print(cv2.__file__)

cv2.__file__会告诉你当前加载的 OpenCV 模块实际路径，一旦路径指向了非虚拟环境，就能立刻发现问题。我经历过一次 Conda 环境里 OpenCV 被系统包覆盖，打印路径后发现cv2指向了/usr/lib/python3/dist-packages，解决方案是在虚拟环境里手动pip install --force-reinstall opencv-contrib-python，强制覆盖。

如果以上都试过还不行，最后一招是删掉__pycache__再跑，有些混淆的 .pyc 缓存会 mask 掉新安装的模块。

6. 进阶一点：用 YuNet 替换 Haar，检测精度和稳定性明显提升

当你已经用 Haar + LBPH 跑通流程后，下一个提升点往往不在识别器，而在检测器。Haar 的短板是角度受限、光照敏感，且同一张脸容易产生多个框。OpenCV 4.5 之后提供了基于深度学习的 YuNet 人脸检测器，加载一个 ONNX 模型就能用，不需要额外配置深度学习框架。

import cv2 model_path = 'face_detection_yunet_2023mar.onnx' detector = cv2.FaceDetectorYN.create( model_path, '', (320, 320), # 输入尺寸 score_threshold=0.8, # 人脸得分阈值 nms_threshold=0.3, # 非极大值抑制阈值 top_k=5000 ) cap = cv2.VideoCapture(0) while True: ok, frame = cap.read() if not ok: break _, faces = detector.detect(frame) if faces is None: continue for det in faces: x, y, w, h = det[:4].astype(int) score = det[-1] cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.putText(frame, f'{score:.2f}', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) cv2.imshow('yunet', frame) if cv2.waitKey(30) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

参数说明：score_threshold是判定为人脸的最低分数，0.8 在大多数场景是合理的，调到 0.6 会召回更多脸但误检也增多。nms_threshold控制重叠框合并力度，调小会让相邻框更少合并，调大则合并更激进。(320, 320)是模型输入尺寸，检测结果是相对原图坐标，不需要手动缩放回原本尺寸。

YuNet 的检测框相比 Haar 稳定很多，正脸侧脸都能覆盖，而且一次返回 5 个关键点坐标，可以进一步做姿态判断，比如只在人脸朝前时才识别，防止员工侧身刷脸。

识别部分仍然可以用 LBPH，把检测器从 Haar 换成 YuNet 后，裁剪出来的人脸区域更精确，confidence 的抖动也会减小，这是投入产出比最高的一次升级。

验证一个系统做得好不好，我自己的习惯是：先录一段 3 分钟的视频，里面包含库内人员、库外人员、遮挡眼镜、转头等变化，离线跑完整的识别管道，统计每个小组的准确率和虚警率。阈值调好后，再切回实时摄像头。这比对着摄像头现场猜参数高效得多。

还有一个很少人提的实践：采集样本时记录拍摄时的光照情况，比如在文件名里加_day、_night后缀，训练后按光照分组交叉验证。你会发现 LBPH 并没有传说中那么抗光照，只是比 Eigen 好一点而已。所以最好的“算法优化”，其实是让人脸样本的光照分布覆盖目标场景。

做到这一步，基本已经超过多数照着教程敲代码的入门者了。这个项目我陆陆续续做了一年，最大的教训是：人脸识别的瓶颈通常不在模型，而在数据规范和阈值标定。清洗好数据集、把阈值调准，比换一个更花哨的网络结构对实际效果的提升更立竿见影。希望这些踩坑记录能帮你少走几条弯路。

本文还有配套的精品资源，点击获取