人脸模型训练，从给定的dataset的文件目录中加载训练数据，创建一个 LBPH 识别器实例，并完成模型的训练，将模型保存到当前文件所在目录

在人脸模型训练中，局部二值模式直方图（Local Binary Patterns Histograms，LBPH）是一种有效的人脸识别技术。LBPH 识别器是一种基于直方图的识别器，它会对人脸图像的局部区域进行编码，并统计不同编码出现的频率作为特征。以下是使用LBPH识别器进行人脸模型训练的大致步骤：

1. 加载训练数据：首先需要从指定的文件目录中加载数据集。数据集通常包含了多个标签的人脸图像，每个图像都有对应的标签信息。可以使用图像处理库来读取这些图像文件，并将它们和对应的标签存储在一个合适的数据结构中，如列表或字典。

2. 创建LBPH识别器实例：使用专门的图像处理库（例如OpenCV）创建LBPH识别器的实例。在创建时，可以调整一些参数，比如直方图的大小、半径等，这些参数会影响识别器的性能。

3. 训练模型：将加载的训练数据传递给LBPH识别器实例。在训练过程中，识别器会从训练图像中提取特征，并建立人脸特征的模型。

4. 保存模型：训练完成后，将识别器模型保存到当前文件所在目录。保存模型通常是为了之后能够快速加载进行预测，而不需要每次都从头开始训练。

以Python语言和OpenCV库为例，可以参考以下伪代码结构：

import cv2

# 加载数据集
def load_dataset(dataset_dir):
    # 这里需要实现从dataset_dir目录加载数据集，并返回图像数据和标签
    pass

# 创建LBPH识别器
def create_lbph_recognizer():
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    return recognizer

# 训练模型
def train_model(recognizer, images, labels):
    recognizer.train(images, labels)
    
# 保存模型
def save_model(recognizer, model_path):
    recognizer.save(model_path)

# 主程序
def main():
    images, labels = load_dataset("dataset_directory")  # 加载数据集
    recognizer = create_lbph_recognizer()              # 创建识别器
    train_model(recognizer, images, labels)            # 训练模型
    save_model(recognizer, "current_directory/model.yml")  # 保存模型

if __name__ == "__main__":
    main()

注意，这里假设你已经安装了OpenCV库，并且已经熟悉了其人脸检测和识别的基本API。