使用python，利用文件夹中的200张人脸图像作为训练样本，生成人脸识别的分类器。用另一个文件夹中的200张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。

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。这里我们将训练数据和测试数据分别放到两个不同的文件夹中。

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. 加载数据

我们可以使用Python中的os库来加载训练数据和测试数据。以下是加载数据的示例代码：

import os
import cv2

# 加载训练数据
train_dir = 'train'
train_faces = []
train_labels = []

for label in os.listdir(train_dir):
    for file_name in os.listdir(os.path.join(train_dir, label)):
        img = cv2.imread(os.path.join(train_dir, label, file_name))
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        train_faces.append(gray)
        train_labels.append(int(label))

# 加载测试数据
test_dir = 'test'
test_faces = []
test_labels = []

for label in os.listdir(test_dir):
    for file_name in os.listdir(os.path.join(test_dir, label)):
        img = cv2.imread(os.path.join(test_dir, label, file_name))
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        test_faces.append(gray)
        test_labels.append(int(label))

在上面的代码中，我们首先使用os.listdir函数遍历训练数据和测试数据文件夹中的每个人的文件夹，然后遍历每个人的文件夹中的图像文件，使用cv2.imread函数读取图像，将其转换为灰度图像，并将其添加到相应的列表中。

3. 训练分类器

使用OpenCV中的Eigenfaces、Fisherfaces或Local Binary Patterns (LBP)等算法进行特征提取，并使用训练数据进行训练。以下是使用Eigenfaces算法进行训练的示例代码：

# 创建人脸识别器
face_recognizer = cv2.face.EigenFaceRecognizer_create()

# 训练人脸识别器
face_recognizer.train(train_faces, np.array(train_labels))

在上面的代码中，我们首先使用cv2.face.EigenFaceRecognizer_create函数创建Eigenfaces算法的人脸识别器，然后使用train函数对其进行训练，其中train_faces是训练数据中的人脸图像列表，train_labels是训练数据中的标签列表。

4. 测试分类器

使用测试数据测试人脸识别器，并计算分类器的准确率。以下是使用测试数据测试人脸识别器的示例代码：

# 测试人脸识别器
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)

在上面的代码中，我们首先使用face_recognizer.predict函数对测试数据中的每个人脸图像进行识别，并将其预测的标签与真实标签进行比较，如果两者相同，则认为分类器识别正确。最后，我们计算分类器的准确率。

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