基于 DeepFace 与 OpenCV 的实时情绪分析系统

应用场景

情绪识别技术在多个领域都有广泛的应用潜力。在心理健康评估中，它可以辅助医生监控患者情绪变化；在产品设计与用户体验研究中，通过观察用户反应来优化交互；在互动娱乐和 VR 应用中，根据玩家状态动态调整内容；甚至在安全监控、教育培训及智能助手等场景中，都能提供有价值的反馈。

技术栈与依赖

本项目主要依赖以下组件：

OpenCV (cv2)：负责视频流的捕获、图像处理以及结果绘制（如矩形框和文字标注）。
DeepFace：基于深度学习的库，专门用于面部属性预测，这里主要用于情绪分析。
Time & Numpy：标准库与科学计算库，用于时间戳计算 FPS 及基础数值处理。

实现思路

核心逻辑是通过摄像头获取实时视频流，对每一帧进行人脸检测与情绪分析，并在画面上叠加显示识别结果与性能指标。

初始化环境

首先导入必要的库并打开默认摄像头。我们需要设置一些变量来追踪帧率，比如记录上一帧的时间戳 prev_time 和当前的 FPS 值 fps，同时引入一个平滑系数 alpha 来减少帧率波动。

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

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

主循环与 FPS 计算

程序进入无限循环读取视频帧。如果读取失败则退出。在循环内部，我们计算当前帧与上一帧的时间差，从而得到瞬时 FPS，并通过滑动平均算法更新整体 FPS 值，这样显示的数字会更稳定。

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

    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

情绪分析与可视化

这是最关键的部分。我们调用 DeepFace.analyze() 方法，指定只进行情绪分析 (actions=['emotion'])。为了鲁棒性，即使未检测到人脸也不应报错 (enforce_detection=False)。

遍历返回的结果，提取人脸区域坐标、主导情绪及置信度。使用 OpenCV 的绘图函数在图像上画出绿色矩形框，并在人脸上方标注情绪名称和百分比。最后将计算好的 FPS 也绘制在左上角，等待用户按键退出。

基于 DeepFace 与 OpenCV 的实时情绪分析系统