使用python，利用文件夹中的全部人脸图像作为训练样本，生成人脸识别的分类器。用另一个文件夹人脸图像作为测试样本，输出识别结果，检测识别率。

好的，针对您的问题，我来为您详细解答。

要生成人脸识别的分类器，我们可以使用OpenCV库中的人脸识别模块，该模块提供了基于特征的人脸检测器和人脸识别器。首先，我们需要准备好训练数据和测试数据。训练数据应该包含多个人的人脸图像，而测试数据是用来评估分类器性能的。

下面是具体的步骤：

1. 安装OpenCV库

可以使用pip命令在命令行中安装OpenCV库，如下所示：

pip install opencv-python

2. 准备数据

准备训练数据和测试数据，把它们分别放到两个不同的文件夹中。

3. 人脸检测

使用OpenCV中的Haar级联分类器进行人脸检测。Haar级联分类器是一种基于特征的分类器，可以从图像中检测出人脸。在OpenCV中，已经提供了一些预训练好的级联分类器，可以直接使用。以下是检测人脸的代码示例：

import cv2

# 加载人脸检测器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 加载图像
img = cv2.imread('test.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

# 在图像中绘制人脸矩形框
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 显示图像
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

4. 特征提取

在进行人脸识别之前，我们需要从人脸图像中提取出特征。使用OpenCV中的Eigenfaces、Fisherfaces或Local Binary Patterns (LBP)等算法可以进行特征提取。以下是使用Eigenfaces算法进行特征提取的示例代码：

import cv2

# 加载人脸识别器
face_recognizer = cv2.face.EigenFaceRecognizer_create()

# 加载训练数据
faces, labels = load_training_data()

# 训练人脸识别器
face_recognizer.train(faces, labels)

# 加载测试数据
test_faces = load_test_data()

# 进行人脸识别
for test_face in test_faces:
    label = face_recognizer.predict(test_face)
    print('Predicted label:', label)

5. 评估分类器性能

评估分类器性能的一种方法是计算分类器的准确率。在本例中，我们可以将测试数据中的每个人脸图像与训练数据中的每个人脸图像进行比较，如果它们的标签相同，则分类器将其识别为正确的人。以下是计算分类器准确率的示例代码：

import cv2

# 加载人脸识别器
face_recognizer = cv2.face.EigenFaceRecognizer_create()

# 加载训练数据
faces, labels = load_training_data()

# 训练人脸识别器
face_recognizer.train(faces, labels)

# 加载测试数据
test_faces, test_labels = load_test_data()

# 用测试数据评估人脸识别器
correct = 0
total = len(test_faces)

for i in range(total):
    label, confidence = face_recognizer.predict(test_faces[i])
    if label == test_labels[i]:
        correct += 1

accuracy = correct / total
print('Accuracy:', accuracy)

以上就是使用Python和OpenCV生成人脸识别分类器的基本步骤。希望对您有所帮助。