基于OpenCV LBPH算法的人脸识别光照问题及解决方案咨询

嘿，我太懂这种糟心的情况了——傍晚刚用OpenCV的LBPH算法训完多人脸模型，识别效果贼好，结果第二天就掉链子。我之前帮不少开发者排查过这类问题，给你整理几个最实用的解决思路：

• 确认加载的是同一模型：你不会是训练完没把模型持久化，第二天重新训了一遍，或者加载时路径写错了吧？先核对：训练当天用cv2.face.LBPHFaceRecognizer.save("your_model.yml")存好模型，第二天加载时用model.read("your_model.yml")，再打印模型阈值（print(model.getThreshold())）对比训练当天的值，确保是同一个模型。
• 应对光照变化（LBPH的致命弱点）：傍晚和次日的光线差异会直接打乱LBPH依赖的局部纹理特征，解决办法：
  • 补全训练样本：加入不同时段（早中晚）、不同光照环境（室内开灯/关灯、窗边/阴影）的照片，让模型提前适应光线变化。
  • 识别前做光照预处理：转灰度后用CLAHE（限制对比度自适应直方图均衡），比普通均衡化更柔和，不会过度放大噪声，代码示例：

    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    gray_frame = clahe.apply(cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY))
    

• 提升训练样本的多样性：如果每个人只有几张训练图，模型泛化能力肯定差。建议每个人至少准备10-15张不同角度、表情、佩戴状态（戴/不戴眼镜）的照片，尽量覆盖次日识别时的场景。
• 调优LBPH核心参数：默认参数不一定适配你的场景，试试调整这几个关键项：
  • radius：局部邻域半径，默认1，改成2可捕捉更大范围的纹理；
  • neighbors：邻域采样点数量，默认8，调到12能增加特征维度；
  • grid_x/grid_y：图像网格划分数量，默认8x8，改成10x10让特征更精细。
    调整后重新训练的示例代码：

  model = cv2.face.LBPHFaceRecognizer_create(radius=2, neighbors=12, grid_x=10, grid_y=10)
  

• 保证训练与识别的预处理完全一致：训练时你是不是对人脸做了裁剪、缩放（比如统一缩到100x100）？次日识别时一定要复刻这些步骤，比如检测到人脸后，裁剪成和训练样本完全相同的尺寸，否则特征提取会完全错位。
• 提升人脸检测的准确性：如果次日人脸检测框歪了、漏了，提取的人脸区域不对，LBPH肯定识别不准。可以换用OpenCV的DNN检测器，或者调整Haar分类器的参数（比如scaleFactor=1.1、minNeighbors=3），确保检测到的人脸完整且精准。

内容的提问来源于stack exchange，提问作者Maulik Kundaliya