基于 DeepFace 和 OpenCV 的实时情绪分析器实现

打开摄像头并初始化变量

cap = cv2.VideoCapture(0)
prev_time = time.time()
fps = 0
alpha = 0.9

• cv2.VideoCapture(0)：打开默认摄像头。
• prev_time 和 fps：用于计算 FPS 的变量。
• alpha：用于滑动平均计算 FPS 的权重值。

主循环

while True:
    ret, frame = cap.read()
    if not ret:
        break
    # ... 处理逻辑 ...
    cap.release()
    cv2.destroyAllWindows()

• 无限循环不断从摄像头读取帧。如果读取失败则退出循环。

FPS 计算

current_time = time.time()
delta_time = current_time - prev_time
prev_time = current_time
if delta_time > 0:
    instant_fps = 1.0 / delta_time
    fps = alpha * fps + (1 - alpha) * instant_fps

• 计算时间差得到瞬时 FPS，并使用滑动平均更新总体 FPS。

情绪分析及结果展示

result = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
for face in result:
    x, y, w, h = face['region']['x'], face['region']['y'], face['region']['w'], face['region']['h']
    emotion = face['dominant_emotion']
    confidence = face['emotion'][emotion]
    cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
    text = f'{emotion} ({confidence:.2f}%)'
    cv2.putText(frame, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)

• 调用 DeepFace.analyze() 进行情绪分析。
• 遍历结果，绘制人脸矩形框和情绪信息文本。

显示 FPS 和图像

cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)
cv2.imshow("Emotion Detection", frame)

• 在图像上显示当前 FPS。
• 使用 cv2.imshow() 显示带有标注的图像。

退出条件

if cv2.waitKey(1) & 0xFF == ord('q'):
    break

• 如果按下键盘上的 q 键，则退出循环结束程序。

完整代码

import cv2
import time
import numpy as np
from deepface import DeepFace

# 打开摄像头
cap = cv2.VideoCapture(0)

# FPS 计算参数
prev_time = time.time()
fps = 0
alpha = 0.9  # 滑动平均权重，数值越大，FPS 越平稳

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 计算 FPS
    current_time = time.time()
    delta_time = current_time - prev_time
    prev_time = current_time
    if delta_time > 0:
        instant_fps = 1.0 / delta_time
        fps = alpha * fps + (1 - alpha) * instant_fps

    try:
        # 进行表情识别
        result = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
        for face in result:
            x, y, w, h = face['region']['x'], face['region']['y'], face['region']['w'], face['region']['h']
            emotion = face['dominant_emotion']
            confidence = face['emotion'][emotion]

            # 绘制人脸矩形框
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

            # 在人脸上方显示情绪信息
            text = f'{emotion} ({confidence:.2f}%)'
            cv2.putText(frame, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    except Exception as e:
        print("无法检测到人脸:", e)

    # 显示 FPS（平滑更新）
    cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)

    # 显示图像
    cv2.imshow("Emotion Detection", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

效果展示

自然

开心

伤心

恐惧

惊讶

总结

核心在于结合了 OpenCV 进行视频处理和 DeepFace 进行面部情绪分析的能力。通过这些组件，实现从摄像头实时捕捉视频、分析视频中人物的情绪状态并在视频画面上直观地展示分析结果的功能。这不仅展示了如何利用现有的 AI 库快速构建实用的应用程序，也为进一步开发基于情感识别的复杂系统提供了基础框架。