目录人脸识别完整方法分类详解（传统算法 + 机器学习 + 深度学习，配套 OpenCV）一、传统手工特征人脸识别（无深度学习，OpenCV 原生）1. Eigenfaces 特征脸（主成分 PCA）2. Fisherfaces 费舍尔脸（LDA 线性判别）3. LBPH 局部二值模式直方图4. HOG + SVM 人脸检测（配套前置步骤）二、传统相关滤波 / 手工特征进阶方案（工程过渡方案）三、浅层机器学习人脸识别四、深度学习人脸识别（当前工业主流，精度碾压传统）1. 经典轻量 / 通用人脸特征网络2. 配套人脸检测深度学习网络（前置步骤）3. 深度学习完整流水线深度学习方案优缺点五、特殊细分人脸识别方案各类方法对比选型层级归类总结车牌识别（LPR）完整方案详解，分传统机器视觉方案 + 深度学习工业方案，搭配 OpenCV C++ 部署说明一、传统机器视觉方案（无深度学习，纯 OpenCV 函数，老旧低端设备）1. 图像预处理2. 车牌定位（传统方法）3. 字符分割4. 字符识别（传统机器学习）传统方案优缺点二、深度学习车牌识别（当前主流，OpenCV DNN 加载 ONNX 推理）路线 1：两步拆解方案（灵活稳定，工业最常用）步骤 1：车牌检测网络（定位车牌矩形框）步骤 2：车牌字符识别网络（CRNN）路线 2：端到端一体化车牌识别（轻量化）路线 3：超分增强辅助三、完整工程标准流程（深度学习落地）四、关键配套功能五、传统方案 vs 深度学习方案对比六、OpenCV C++ 部署关键点七、选型建议人脸识别完整方法分类详解（传统算法 + 机器学习 + 深度学习，配套 OpenCV）人脸识别整套流程分为：人脸检测（找人脸框）+ 人脸对齐 + 人脸特征提取 + 人脸比对识别，下面按技术代际划分全部主流方案。一、传统手工特征人脸识别（无深度学习，OpenCV 原生）1. Eigenfaces 特征脸（主成分 PCA）原理采集大量人脸图片，用 PCA 降维，把所有人脸映射到一组标准 “特征脸” 基向量；任意人脸可由特征脸加权组合表示。 识别时：待测人脸投影到特征脸空间，计算与库内人脸的欧式距离，距离最小即为匹配。流程 人脸灰度图 → PCA 训练得到特征脸、平均脸 → 人脸投影 → 距离匹配优缺点 ✅ 简单、运算快、早期人脸识别标配 ❌ 对光照、姿态、遮挡极其敏感；人脸差异大时识别失效归属：无监督降维 + 距离匹配，无需训练分类器2. Fisherfaces 费舍尔脸（LDA 线性判别）原理PCA 只做降维，不区分类别；LDA 线性判别分析优化目标：同类人脸距离更近、不同类人脸更远。 先 PCA 降维，再 LDA 提取区分性特征，比 Eigenfaces 识别精度大幅提升。优缺点 ✅ 区分能力强，同类聚集、异类分离；光照鲁棒优于特征脸 ❌ 人脸样本过少时容易过拟合；姿态、遮挡依旧脆弱OpenCV 支持：cv::face::FisherFaceRecognizer，保存模型 yml3. LBPH 局部二值模式直方图核心原理LBP 算子提取人脸局部纹理，将人脸分小块，每块统计 LBP 纹理直方图，拼接成特征；依靠局部纹理抵抗轻微光照变化。优势：不用对齐完整人脸、不用灰度归一化，对明暗变化适应性最好。优缺点 ✅ 速度快、小样本可用、光照鲁棒；嵌入式低配设备首选传统算法 ❌ 大角度侧脸、口罩遮挡识别崩溃OpenCV 接口：cv::face::LBPHFaceRecognizer，yml 模型存储人脸库特征以上三种统称传统统计人脸识别，全部在opencv_contrib/face模块，属于传统机器学习方案。4. HOG + SVM 人脸检测（配套前置步骤）HOG 提取人脸梯度特征，SVM 二分类判断区域是否人脸，只做人脸检测，不做人脸身份识别。二、传统相关滤波 / 手工特征进阶方案（工程过渡方案）SIFT/SURF/ORB 特征匹配 提取人脸关键点描述子，暴力匹配 / FLANN 匹配判断是否同一人； 缺点：人脸关键点少、极易受表情、角度干扰，几乎不再用于人脸识别。LBP+SVM：提取全局 LBP 纹理，训练 SVM 多分类识别人脸身份。三、浅层机器学习人脸识别K 近邻 KNN：人脸特征向量直接 KNN 距离分类SVM 多分类：将 Eigen/LBP 特征送入 SVM 训练多分类器识别人全部依赖手工特征，复杂场景精度低，现已淘汰。四、深度学习人脸识别（当前工业主流，精度碾压传统）思路：卷积神经网络学习人脸高维特征，输出固定长度特征向量（128/256 维），比对向量余弦距离判断是否同一人。1. 经典轻量 / 通用人脸特征网络FaceNet 提出三元组损失 (Triplet Loss)，直接优化人脸向量距离；奠定深度学习人脸识别基础，输出 128 维特征。ArcFace（主流商用） 加入角度间隔损失，类内压缩、类间拉大间隔，识别精度极高，门禁、考勤、安防通用；导出 ONNX 可 OpenCV DNN 推理。InsightFace 系列（MobileFaceNet、RFB、LResNet） 轻量化模型，适配嵌入式、手机端，速度快、精度高，项目最常用。CenterFace、SphereFace：改进损失函数，提升区分度。2. 配套人脸检测深度学习网络（前置步骤）先检测人脸框，再识别身份：MTCNN：三段 CNN，同时人脸检测 + 关键点对齐（5 点眼睛鼻子嘴角）RetinaFace、Ultra-Light-Face-Det：轻量实时人脸检测，适合嵌入式YOLO-Face：YOLO 系列改造，高速人脸检测，导出 ONNX 用 OpenCV 部署