基于 DeepFace 与 OpenCV 的实时情绪分析器实现

基于 DeepFace 与 OpenCV 的实时情绪分析器

本项目利用 OpenCV 捕获视频流，结合 DeepFace 深度学习库进行面部情绪识别。通过计算滑动平均 FPS 保证运行流畅度，并在画面上实时标注人脸区域及主导情绪置信度。

应用场景

情绪识别技术在多个领域具有实用价值：

• 心理健康评估：辅助医生监控患者情绪变化。
• 用户体验研究：观察用户在使用产品时的情绪反应。
• 互动娱乐：根据玩家情绪动态调整游戏难度。
• 安全监控：早期发现异常行为或潜在威胁。
• 智能助手：让设备感知用户状态并提供个性化服务。

技术栈

硬件需求

• 摄像头：用于捕捉实时视频流（内置或 USB 均可）。

软件依赖

• OpenCV (cv2)：负责视频流捕获、图像绘制及窗口显示。
• DeepFace：深度学习库，专注于面部属性（如年龄、性别、情绪）预测。
• Time & Numpy：基础工具库，用于时间戳计算及数值处理。

核心逻辑

程序的核心流程是循环读取摄像头帧，对每一帧进行人脸检测与情绪分析，最后将结果叠加在画面上。

1. 初始化：打开默认摄像头，设置 FPS 平滑参数。
2. 主循环：持续读取帧数据，若读取失败则退出。
3. 性能优化：计算瞬时 FPS 并通过滑动平均算法平滑数值，避免画面跳动。
4. 情绪分析：调用 DeepFace.analyze() 接口，指定仅分析情绪，并处理可能的人脸未检测到异常。
5. 可视化：在检测到的人脸周围绘制矩形框，上方显示情绪名称及置信度百分比。
6. 交互控制：监听键盘输入，按下 q 键即可退出程序。

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
    
     delta_time > :
        instant_fps =  / delta_time
        fps = alpha * fps + ( - alpha) * instant_fps

    :
        
        result = DeepFace.analyze(frame, actions=[], enforce_detection=)
         face  result:
            x, y, w, h = face[][], face[][], face[][], face[][]
            emotion = face[]
            confidence = face[][emotion]
            
            
            cv2.rectangle(frame, (x, y), (x + w, y + h), (, , ), )
            
            
            text = 
            cv2.putText(frame, text, (x, y - ), cv2.FONT_HERSHEY_SIMPLEX, , (, , ), )
     Exception  e:
        (, e)

    
    cv2.putText(frame, , (, ), cv2.FONT_HERSHEY_SIMPLEX, , (, , ), )

    
    cv2.imshow(, frame)

     cv2.waitKey() &  == ():
        

cap.release()
cv2.destroyAllWindows()