OpenCV人脸识别实战：从环境搭建到LBPH模型训练-代码聚汇网

OpenCV人脸识别实战：从环境搭建到LBPH模型训练

李祯煜·2026-09-03·阅读 22 GEO检测（免费）

OpenCVPython人脸识别

|难度：普通|阅读约 43 分钟

去年底接了一个小需求：给朋友的工作室做一套人脸签到系统。预算不高，设备就是一台普通办公电脑加USB摄像头，软件层面我第一时间想到的就是OpenCV和Python。说实话，这套组合在网上资料一抓一大把，但真正从零搭起来、跑到稳定，还是有不少文档里不会写的细节。这篇文章把整个实战过程掰开揉碎，从环境搭建、人脸检测、数据采集、模型训练到最后的识别优化和排错，完整走一遍。不管你是刚接触计算机视觉的入门者，还是准备把OpenCV接进实际项目的开发者，应该都能从里面捞到点能直接用的东西。

1. 装好OpenCV：第一步就卡住的概率其实很高

1.1 先确认Python环境再动手

很多人装OpenCV失败，不是OpenCV的问题，是Python环境本身就乱了。我见过太多新人在系统里同时装了好几个Python版本，然后pip装包时装到了一个版本，运行脚本时用的是另一个版本，最后冒出一句"我明明装了啊"，然后到处找教程。所以第一步别急着敲pip命令，先做两件事：

打开命令行（Windows上按Win+R，输入cmd回车；macOS/Linux直接开终端），依次执行：

bash复制python --version
pip --version

这两条命令的输出要对应同一个Python版本。举个例子，如果python --version显示Python 3.11，而pip --version显示的是Python 3.8的pip路径，说明你的环境变量是乱的。这种情况我建议直接装Anaconda或Miniconda，用conda创建独立环境，每个项目的依赖互不干扰：

bash复制conda create -n face python=3.10
conda activate face

为什么用3.10而不是最新的3.12或3.13？主要不是OpenCV本身的兼容性问题，而是很多配套的深度学习推理库（比如后面要用的ONNX Runtime、PyTorch）在最新Python版本上的预编译包可能还没跟上。用3.10或3.11是个很稳的选择，生态兼容性最好。

1.2 opencv-python与opencv-contrib-python怎么选

管道清干净之后，装OpenCV就有讲究了。PyPI上opencv相关的包名有四个，经常有人搞混：

包名	包含内容	适用场景
opencv-python	核心模块，不含contrib	只做基础图像处理、人脸检测
opencv-contrib-python	核心模块+contrib扩展	需要人脸识别（cv2.face）、特征匹配等
opencv-python-headless	核心模块，无GUI	服务器端、Docker容器
opencv-contrib-python-headless	核心+contrib，无GUI	服务器端做识别

人脸识别所依赖的cv2.face.LBPHFaceRecognizer就在contrib模块里，所以必须装opencv-contrib-python。如果你只装opencv-python，import cv2没问题，但用到cv2.face的时候会直接报AttributeError，这坑我帮你们踩过了。

实际安装命令：

bash复制pip install opencv-contrib-python

如果下载速度慢，可以临时换成国内镜像源：

bash复制pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple

1.3 安装完必须跑的验证命令

安装完成后别急着写代码，先验证一下：

bash复制python -c "import cv2; print(cv2.__version__)"

能打印出版本号才算装好。另外，很多人不知道cv2自带的人脸检测模型文件存放在哪里，这个路径后面写代码要用：

python复制import cv2
print(cv2.data.haarcascades)

打印出来的就是haar级联模型文件的目录，比如...\site-packages\cv2\data\。这里面有haarcascade_frontalface_default.xml、haarcascade_eye.xml等几十个预训练模型。下面实战部分就是基于这些模型文件来做的。

提示：如果你用的是conda环境，import cv2后版本号和上面pip安装的不一致，大概率是conda混用了pip的包，建议在conda环境里统一用pip安装，避免channel之间互相覆盖。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 人脸检测和人脸识别，是两件不同的事

2.1 检测解决"脸在哪"，识别解决"你是谁"

很多刚接触OpenCV的朋友容易把"人脸检测"和"人脸识别"混为一谈，但实际上这是两个层面的问题：

人脸检测是找到图像中的人脸位置，输出一个矩形框（左上角坐标x、y和宽高w、h），回答的是"这张图里有没有人脸，脸在哪里"。人脸识别是判断框里的脸到底是谁，输出一个身份标签和置信度，回答的是"这个人是张三还是李四"。

实战项目里通常的流程是：先用检测器把脸从画面中框出来，裁出人脸区域，然后把人脸区域交给识别模型去对比身份。这有点像你先在一个房间里找人，找到人之后再看他是谁。所以这两个模块是串联关系，不是二选一的关系。

2.2 Haar级联分类器的工作原理

OpenCV里最经典的人脸检测方式是Haar Cascade，也就是Haar特征分类器。它的工作方式分两步：

第一步，计算图像中不同区域的Haar特征值。Haar特征其实就是一系列矩形的灰度差，比如"眼睛区域比脸颊区域暗"这样的规律。OpenCV内置了几千个Haar特征模板，通过滑动窗口不断计算，判断当前窗口是否符合人脸特征。

第二步，把几千个特征扔进一个级联分类器里逐级判断。每过一级，不符合人脸特征的窗口就会被淘汰，最后剩下的候选窗口就是人脸。这个"级联淘汰"的机制，使检测速度非常快，普通CPU也能达到实时帧率。

在OpenCV代码里，使用方式很简单：

python复制import cv2

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

加载这个XML文件后，调用detectMultiScale()方法开始检测，返回的就是人脸框列表。

2.3 LBPH为什么适合入门级识别

人脸识别算法领域非常广：从传统方法如Eigenfaces、Fisherfaces、LBPH，到深度学习如FaceNet、ArcFace、CosFace。入门阶段最高效的选择是LBPH，全称Local Binary Pattern Histograms，局部二值模式直方图。

LBPH的原理一句话讲就是：把一张人脸图像划分成多个区域，在每个区域计算局部二值模式（LBP）特征，然后统计成直方图，最后所有区域的直方图拼接成一张"人脸指纹"，用来匹配两个人是不是同一个。

它最突出的优势是：不需要GPU，CPU上跑得很快；训练数据量小，每个人只要几十张图片就能工作；OpenCV contrib模块直接封装好了，代码量很少，适合快速落地。

当然它的识别精度天花板明显低于深度学习方法，在光照变化大、人脸角度偏转大的场景下容易翻车。但作为入门项目和中小型应用来说，LBPH足够用了。后文会讲怎么在LBPH不够用的时候切换到深度学习模型。

3. 手写人脸检测：从图片到摄像头实时画面

3.1 先用静态图片跑通检测流程

学检测不要一上来就搞摄像头，先在静态图片上把整个链路跑通，出了问题也好排查。找一张包含人脸的图片放到项目目录下，命名为test.jpg，写下面的代码：

python复制import cv2

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

img = cv2.imread('test.jpg')
if img is None:
    print("图片读取失败，检查文件路径")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30)
)

print(f"检测到 {len(faces)} 张人脸")
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow('Face Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这里解释两个关键点。cvtColor转灰度是必须的，因为Haar特征是基于灰度图像计算的，直接传彩色图虽然程序不一定报错，但检测效果会变差。detectMultiScale是核心方法，它返回一个形状为(N, 4)的NumPy数组，每一行是(x, y, w, h)。

3.2 detectMultiScale三个关键参数怎么调

detectMultiScale的参数直接影响检测效果，这里展开细说：

scaleFactor，缩放因子。检测器会不断缩小图像再扫描，这个值控制每次缩小的比例。1.1表示每轮图像缩小10%，值越小计算量越大但检测越精细，一般取1.05到1.15之间。值太大（比如1.3以上）容易漏检小尺寸人脸。

minNeighbors，每个候选区域需要满足的最小邻居数。这个参数是抑制误检的关键。值越大，误检越少，但越容易漏掉真实的人脸；值越小，检出的框越多，但假阳性也越多。我用的人脸检测场景通常取5到8。

minSize，最小人脸尺寸。小于这个尺寸的窗口直接跳过，一方面能提高速度，另一方面可以过滤画面远处的小物体误判。在1080p画面里想检测3米外的人脸，至少设(60, 60)。

实操中遇到检测不到人脸的情况，优先小幅度调小minNeighbors，然后把scaleFactor往1.05方向调。如果误检太多，就反过来调大minNeighbors，并且调大minSize过滤小区域。

3.3 切换到摄像头实时检测

静态图片跑通以后，切换到摄像头就是加一个视频流循环的事：

python复制import cv2

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

cap = cv2.VideoCapture(0)
if not cap.isOpened():
    print("无法打开摄像头")
    exit()

while True:
    ret, frame = cap.read()
    if not ret:
        print("读取视频帧失败")
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(
        gray, scaleFactor=1.1, minNeighbors=5, minSize=(60, 60)
    )

    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

    cv2.imshow('Camera Face Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

这段代码有几个常见问题。

cap.read()偶尔返回ret=False，这可能是摄像头被其他程序占用或USB带宽问题，加一个重试机制比直接break更稳健。waitKey(1)如果传0会卡住画面不刷新，实时视频必须传1或者更大的毫秒数。在macOS上如果摄像头画面黑屏，检查终端是否已授权摄像头权限，这一步经常被忽略。

4. 从零训练一个自己的识别器

4.1 采集训练样本的目录组织与拍摄要点

人脸识别的前提是数据。训练集的组织方式直接影响后面代码的复杂度，我的做法是：

code复制dataset/
├── 1_zhangsan/
│   ├── 1.jpg
│   ├── 2.jpg
│   └── ...
├── 2_lisi/
│   ├── 1.jpg
│   ├── 2.jpg
│   └── ...
└── 3_wangwu/
    └── ...

目录名以"ID_姓名"命名，ID是整数标签，训练时标签作为分类依据，姓名用来在后面展示中文名。目录建好后，写一个采集脚本，用摄像头拍下人脸区域，统一缩放后保存：

python复制import cv2
import os

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

user_id = input("请输入ID编号：")
name = input("请输入姓名：")
save_dir = f'dataset/{user_id}_{name}'
os.makedirs(save_dir, exist_ok=True)

cap = cv2.VideoCapture(0)
count = 0

while True:
    ret, frame = cap.read()
    if not ret:
        continue

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(
        gray, scaleFactor=1.1, minNeighbors=5, minSize=(100, 100)
    )

    for (x, y, w, h) in faces:
        count += 1
        face = gray[y:y+h, x:x+w]
        face = cv2.resize(face, (200, 200))
        cv2.imwrite(f'{save_dir}/{count}.jpg', face)

        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
        cv2.putText(frame, f'captured: {count}', (10, 30),
                    cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    cv2.imshow('Collect Faces', frame)
    if cv2.waitKey(1) & 0xFF in [ord('q'), 27] or count >= 100:
        break

cap.release()
cv2.destroyAllWindows()
print(f"采集完成，共保存 {count} 张")

采集的时候有几个非常影响最终效果的点，这里重点说。

第一，每张脸采集后先resize到统一尺寸，这里选200x200，LBPH对输入尺寸不敏感，但统一尺寸后训练数组形状可控。第二，尽量在光照均匀的环境下采集，让脸在画面里上下左右移动，拍下多个角度，但角度别偏太大，LBPH对大幅度侧脸基本无能为力。第三，每保存一张图，最好隔一小段时间再拍下一张，这样相邻帧之间差异性更大。如果想提高样本质量，可以检测两只眼睛是否都在框内，但这会增加代码复杂度，入门阶段直接保存也可以。

每人100张是比较合理的量，多了训练慢，少了识别精度不够。

4.2 训练LBPH识别器

样本采集完成后，写训练脚本。关键点是用cv2.face.LBPHFaceRecognizer_create()创建识别器，cv2.face来自opencv-contrib-python，没有这个模块就是装错包了：

python复制import cv2
import os
import numpy as np

recognizer = cv2.face.LBPHFaceRecognizer_create()

faces = []
labels = []

data_dir = 'dataset'
for dir_name in os.listdir(data_dir):
    dir_path = os.path.join(data_dir, dir_name)
    if not os.path.isdir(dir_path):
        continue

    label = int(dir_name.split('_')[0])
    for file_name in os.listdir(dir_path):
        if not file_name.endswith('.jpg'):
            continue
        img_path = os.path.join(dir_path, file_name)
        img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
        faces.append(img)
        labels.append(label)

faces = np.array(faces)
labels = np.array(labels)

recognizer.train(faces, labels)
recognizer.save('trainer.yml')
print(f"训练完成，共 {len(faces)} 张样本")

训练好之后会生成一个trainer.yml文件，这就是你的"人脸指纹库"。后续每次识别都基于这个文件，不需要重新训练。

recognizer.train(faces, labels)要求faces是一个灰度图列表或数组，labels是对应的整数标签。注意labels必须是整数，不能是字符串，字符串会直接报错。另外所有图片必须是相同尺寸，训练之前统一resize到200x200。

4.3 用predict完成人脸身份判定

训练好模型后，写最终的识别脚本。流程是：读取摄像头帧、检测人脸、对每个人脸区域调用predict、根据置信度判断身份：

python复制import cv2

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer.yml')

name_map = {1: '张三', 2: '李四', 3: '王五'}

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        continue

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(
        gray, scaleFactor=1.1, minNeighbors=5, minSize=(80, 80)
    )

    for (x, y, w, h) in faces:
        face = gray[y:y+h, x:x+w]
        face = cv2.resize(face, (200, 200))

        label, confidence = recognizer.predict(face)
        name = name_map.get(label, "Unknown")

        if confidence < 60:
            text = f"{name} ({confidence:.1f})"
            color = (0, 255, 0)
        else:
            text = f"Unknown ({confidence:.1f})"
            color = (0, 0, 255)

        cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
        cv2.putText(frame, text, (x, y - 10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2)

    cv2.imshow('Face Recognition', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

这里最需要理解的是confidence这个返回值。LBPH的predict返回两个值：label和confidence。confidence表示预测结果和训练样本之间的距离，数值越小越可靠。这和很多人的直觉相反，不是越大越可信。

实际经验值：confidence在0到50之间，基本可以确定是同一个人；50到70之间要小心，可能是同一个人但光照变化大，也可能是不同的人；超过70，大概率不是同一个人。这个阈值需要根据你的实际场景调整，我建议你跑完数据集后打印几组真实对比值，再定阈值。

5. 从实验室到真实环境：检测精度与运行速度的优化

5.1 Haar检测器的瓶颈在哪里

Haar级联检测器在正脸、光照充足、画面清晰的情况下表现不错，但一到真实场景就露馅了。我实际使用中遇到的问题主要有：

侧脸检测率断崖式下跌。Haar模型是基于正脸特征训练的，人脸旋转超过30度基本就检不到了。如果画面里的人低头看手机或侧身交谈，框就会时有时无。遮挡物影响大，戴口罩、戴墨镜、刘海遮住额头，都会导致检测失败或产生错误的框。光照变化剧烈时误检率上升，逆光环境下的人脸在灰度图上对比度极低，特征值计算出来和背景差不多。

如果你只是做个人脸签到、智能相册这类单人近距离场景，Haar还能扛住。但如果要做门禁、客流统计这类场景，建议直接换深度学习检测器。

5.2 换用YuNet或SSD做深度学习检测

OpenCV从4.x开始内置了DNN模块，可以直接加载深度学习模型做推理，不需要额外安装TensorFlow或PyTorch。

一个很省事的选择是YuNet，它专门做人脸检测，模型文件小，CPU上也能跑实时帧率，是OpenCV官方推荐的替代Haar的方案。使用前先从OpenCV的GitHub仓库下载face_detection_yunet_2023mar.onnx模型文件，然后：

python复制import cv2

detector = cv2.FaceDetectorYN.create(
    'face_detection_yunet_2023mar.onnx',
    '',
    (320, 320),
    score_threshold=0.9,
    nms_threshold=0.3,
    top_k=50
)

img = cv2.imread('test.jpg')
height, width = img.shape[:2]
detector.setInputSize((width, height))

retval, faces = detector.detect(img)
if faces is not None:
    for face in faces:
        x, y, w, h = face[:4].astype(int)
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

这段代码里face返回的是一个15维数组，前4个是坐标，后面还包含5个人脸关键点坐标和置信度，这些关键点后面做人脸对齐非常有用。与Haar相比，YuNet对侧脸、部分遮挡和暗光环境的鲁棒性提升明显。代价是模型文件约340KB，推理速度比Haar略慢，但现代CPU上仍然能跑30fps以上。

SSD（ResNet-10）是另一个选择，业界叫它OpenCV Face Detector。模型精度比YuNet略低一点，但速度稍快。如果设备的CPU很弱，可以试它。

5.3 识别模型升级方向与CUDA加速

LBPH在光照、角度、表情变化大的场景下识别率不够，这时需要升级到基于深度学习的特征提取模型。思路是：用FaceNet或ArcFace这类模型把裁好的人脸区域转换成一个128维或512维的特征向量，然后通过计算向量之间的余弦相似度来判定是不是同一个人。本质上，LBPH的"直方图"换成了"嵌入向量"，比对方式从"距离阈值"升级成"相似度阈值"。

具体在OpenCV里，可以加载ONNX格式的FaceNet模型，用cv2.dnn.readNetFromONNX读取，然后做一次forward，得到特征向量。OpenCV的DNN模块虽然支持GPU加速，但是社区版OpenCV默认不带CUDA支持。想在OpenCV里用CUDA加速推理，通常要用网络上预编译的带CUDA的wheel包，或者自己从源码编译OpenCV。实测下来，YuNet这种轻量级模型在CPU上的推理时间约10到20毫秒，完全不需要上CUDA，CPU加速已经很从容。如果你是用FaceNet这种稍重的模型，普通CPU推理一帧可能在100毫秒以上，这时候才需要考虑CUDA优化。

需要注意，用pip安装的opencv-contrib-python默认不包含CUDA支持，如果你想在OpenCV里启用CUDA，需要装带CUDA的预编译版本或自己编译。对绝大多数入门项目，CPU计算已经完全够用，没必要在这上面投入太多时间。

5.4 边缘平台部署的现实路径

热词里出现了不少硬件平台方向，比如ESP32-S3 CAM人脸识别和基于RK3588的人脸识别门禁系统，说明很多人最终目标是端侧部署。

ESP32-S3 CAM这类MCU级别的平台，内存只有几百KB到几MB，跑不了完整的OpenCV，常见方案是用ESP-DL或TFLite Micro跑极轻量化的人脸检测模型，识别部分通常只做特征比对，不做复杂训练。如果不折腾优化，直接用OpenCV跑Haar检测在ESP32上帧率很低，体验不好。

RK3588是瑞芯微的AIoT芯片，自带6TOPS NPU，跑人脸检测和识别都比较轻松。在RK3588上一般不会直接用通用OpenCV，而是配合RKNN Toolkit把模型转换到NPU上跑，OpenCV只负责图像采集和预处理。这个开发闭环涉及模型转换、交叉编译、NPU驱动适配，复杂度比PC端高一个量级。建议先把PC端的OpenCV流程跑熟，再迁移到边缘平台，否则调试起来会非常痛苦。

6. 实战中的典型报错与排查链路

6.1 ModuleNotFoundError的完整排查思路

ModuleNotFoundError: No module named 'cv2'是出现频率最高的错误。我见过很多朋友装完opencv还报这个错，原因基本逃不出下面几类。

第一，环境错位。你pip install用的是conda的python，运行脚本时用的却是系统python，或者反之。排查方法非常直接：在命令行里执行where python（Windows）或which python（macOS/Linux），看看pip安装时用的是不是同一个解释器。

第二，包的安装名字错了。有人装的是opencv，而不是opencv-python或opencv-contrib-python。PyPI上确实有一个叫opencv的包，但它是另一个项目，不是OpenCV官方绑定。

第三，import时的拼写大小写问题。OpenCV的模块名是cv2，不是cv，不是OpenCV。从Python 3.3开始，大小写敏感，拼写不一致就会报错。

排查链路按这个顺序走，基本五分钟内能定位问题。定位完之后，别急着重装，先看清楚了再动手。

6.2 摄像头打不开或画面卡死

cap.isOpened()返回False的常见原因：

摄像头驱动没装好。Windows下打开设备管理器，确认成像设备里有没有你的摄像头；macOS和Linux下可以用系统自带的相机应用测试。

摄像头被其他程序占用。Zoom、腾讯会议、浏览器正在使用摄像头时，OpenCV打不开。这个报错提示很诡异，不会明确说"占用中"，只会给你返回False。打开任务管理器，把所有可能调用摄像头的程序关掉再试。

笔记本没有摄像头或者摄像头硬件开关关闭。一部分笔记本有摄像头物理开关或快捷键（比如FN+F10），关闭状态下系统连摄像头设备都枚举不到，所以先确认自己这台设备有没有摄像头、开关有没有打开。确认没问题之后，再通过cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)和cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)降低分辨率来测试。

画面卡死还有一个容易被忽略的因素：没有及时释放资源。用了v2.VideoCapture(0)后如果没调用cap.release()，程序异常退出后摄像头资源可能没被释放，下次再打开就会失败。

6.3 中文路径保存图片乱码

Windows上使用cv2.imwrite保存到中文路径时，经常出现保存失败或文件名乱码，根本原因是OpenCV内部的编码方式对中文字符支持不好，imwrite遇到中文路径会返回False，甚至直接抛异常。

如果你在Windows上使用OpenCV且路径里有中文，强烈建议加一个前缀r的原始字符串，或者使用os.chdir()进入项目目录，再传相对路径。更稳妥的做法是全部使用英文路径，项目目录用face_recognition_project而不是人脸识别项目，避免编码问题消耗宝贵的调试时间。

python复制# 不推荐：中文路径可能失败
cv2.imwrite('D:/项目/采集/001.jpg', face)

# 推荐：英文路径
cv2.imwrite('dataset/1_zhangsan/001.jpg', face)

6.4 confidence虚高：训练集质量才是核心

训练完模型，跑到真实场景中识别率不高、confidence值普遍偏高，这个问题几乎每个人都遇到过。很多人的第一反应是调阈值，但我建议先从训练集质量下手，这是最根本的优化手段。

训练集质量的核心在多样性和样本数量。样本数量过少，比如每类只有20张，模型学不到足够的特征，预测时confidence自然高。光照单一，训练集里面全是同一个灯光下的照片，一换环境就崩。角度单一，全是大正脸，一低头或一侧脸就识别失败。背景杂乱，训练时提取了背景特征，模型没法聚焦在人脸上。

想提高质量，最直接的做法是增加样本多样性，在多个时间段拍摄，让自然光、室内灯光的照片都出现在训练集里。裁切人脸区域时，保留额头到下巴的完整区域，不要带入太多背景。如果样本采集时人脸框不稳，可以先做眼部检测，确保双眼可见再保存。

数据正确之后，再回到阈值和参数层面调试，否则调多少参数都是白搭。我在这个过程里最深的体会就是：模型精度不够，先怀疑数据和预处理，再怀疑模型选择，最后才去调阈值，这个顺序不要反。

最后分享一个实际项目里的小技巧：LBPH识别器训练完以后，多收集几条真实场景下的预测样本，把每个人的confidence分布打印一遍。你可能会发现，张三的confidence普遍在40左右，李四的可能要到60，这不是模型有毛病，而是他们的面部特征和光照条件不同导致的。所以合理做法是针对每个人设一个阈值，而不是一刀切用同一个阈值，这样的识别结果会比单阈值稳定不少。