recognizer.read('./trainner/trainner.yml') names = ['lyn','wtq','user1','user2','user3'] for i in range(N): recognizer.train(images[i], labels[i]) #调用摄像头 cam = cv2.VideoCapture(0) minW = 0.1*cam.get(3) minH = 0.1*cam.get(4) while True: ret,img

在while循环中，代码首先读取摄像头捕获的图像，然后将其转换为灰度图像，并使用人脸检测算法检测图像中的人脸。

ret,img = cam.read()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = faceCascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(int(minW), int(minH)))

接着，对于检测到的每个人脸，使用训练好的人脸识别模型进行识别，并将识别结果和置信度绘制在图像上。

for(x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
    idnum, confidence = recognizer.predict(gray[y:y+h,x:x+w])
    if confidence < 100:
        idum = names[idnum]
        confidence = "{0}%", format(round(100-confidence))
    else:
        idum = "unknown"
        confidence = "{0}%", format(round(100-confidence))
    cv2.putText(img, str(idum), (x+5,y-5), font, 1, (255,255,255), 2)
    cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)

最后，将识别结果显示在屏幕上，并使用`cv2.waitKey(1)`等待用户按下键盘上的任意键退出程序。

cv2.imshow('camera',img)
    k = cv2.waitKey(1)
    if k == 27:
        break

需要注意的是，在实际应用中，可能需要进行一些额外的处理和优化，例如人脸跟踪、人脸识别结果的存储和管理等。同时，还需要考虑一些安全和隐私问题，例如如何保护用户的人脸数据、如何防止识别结果被滥用等。