---

完整代码一览

import cv2
import numpy as np

# 读取训练图像，注意：图片大小需要一致
images = []
a = cv2.imread('qzl1.png', flags=0)
a = cv2.resize(a, (120, 180))
b = cv2.imread('qzl2.png', flags=0)
b = cv2.resize(b, (120, 180))
c = cv2.imread('pyy1.png', flags=0)
c = cv2.resize(c, (120, 180))
d = cv2.imread('pyy2.png', flags=0)
d = cv2.resize(d, (120, 180))

images.append(a)
images.append(b)
images.append(c)
images.append(d)

labels = [0, 0, 1, 1]
pre_image = cv2.imread('pyy.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))

# 创建 EigenFace 人脸识别器
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=5000)

# 训练识别器
recognizer.train(images, np.array(labels))

# 预测
label, confidence = recognizer.predict(pre_image)
dic = {0: 'hg', 1: 'pyy', -1: '-1'}
print('这人是：', dic[label])
print('置信度为：', confidence)

# 在测试图像上绘制识别结果
img = cv2.imread('pyy.png')
img = cv2.putText(img.copy(), dic[label], (10, 30), 
                  cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('xx', img)
cv2.waitKey(0)

安装 opencv-contrib-python

EigenFace 识别器属于 OpenCV 的 contrib 扩展模块，如果你使用的是标准版 opencv-python，运行时会报错 module ‘cv2’ has no attribute ‘face’。请先卸载标准版，然后安装：

pip install opencv-contrib-python

安装后，cv2.face 模块即可使用。

导入库

import cv2
import numpy as np

准备训练数据（图像与标签）

读取图像并统一尺寸

images = []
a = cv2.imread('qzl1.png', flags=0)
a = cv2.resize(a, (120, 180))
b = cv2.imread('qzl2.png', flags=0)
b = cv2.resize(b, (120, 180))
c = cv2.imread('pyy1.png', flags=0)
c = cv2.resize(c, (120, 180))
d = cv2.imread('pyy2.png', flags=0)
d = cv2.resize(d, (120, 180))
images.append(a)# 将 4 张图像存入列表 images
images.append(b)
images.append(c)
images.append(d)

我们准备了 4 张人脸图像（灰度图，因为 flags=0 表示以灰度模式读取），分别是 qzl1.png、qzl2.png（属于“qzl”），pyy1.png、pyy2.png（属于“pyy”）。

EigenFace 要求所有训练图像尺寸完全一致，所以我们用 cv2.resize 统一为 宽度 120，高度 180 像素。实际项目中，你应该先用人脸检测器对齐和裁剪人脸，再统一尺寸。

设置标签

labels = [0, 0, 1, 1]# 前两张（qzl1, qzl2）标签为 0，后两张（pyy1, pyy2）标签为 1

创建 EigenFace 识别器

recognizer = cv2.face.EigenFaceRecognizer_create(threshold=5000)

cv2.face.EigenFaceRecognizer_create() 创建 EigenFace 识别器对象。

参数 threshold=5000：这是识别阈值。预测时，如果计算出的置信度大于此阈值，则认为“不认识”，返回标签 -1。
EigenFace 的置信度范围通常为 0~20000，5000 是一个常用值。你可以根据实际测试调整——值越小越严格（容易误拒），值越大越宽松（容易误识）。

训练模型

recognizer.train(images, np.array(labels))

使用训练数据(images和labels)来训练识别器
函数FaceRecognizer.train用给定的数据和相关标签生成的实例模型。
该函数的语法格式为None = cv2.faceFaceRecognizer.train(src, labels )
参数的含义如下:
src: 训练图像，用来学习的人脸图像。
labels: 标签，人脸图像对应的标签。

预测新图像

pre_image = cv2.imread('pyy.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))
label, confidence = recognizer.predict(pre_image)

读取一张待识别图像 pyy.png（也转为灰度图），并 resize 到相同的 120×180 尺寸（必须与训练尺寸一致）。

predict() 返回两个值：

label：识别出的标签（若置信度超过阈值则返回 -1）。

confidence：置信度，越小表示越匹配。

输出结果与可视化

dic = {0: 'qzl', 1: 'pyy', -1: '-1'}
print('这人是：', dic[label])
print('置信度为：', confidence)

只要置信度低于5000都被认为是可靠的结果

img = cv2.imread('pyy.png')
img = cv2.putText(img.copy(), dic[label], (10, 30),
                  cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('xx', img)
cv2.waitKey(0)

重新读取测试图（彩色），在上面用红色文字显示识别结果（放在左上角）。

img.copy() 避免直接修改原图。