DeepFace 结合 OpenCV 实现实时情绪分析

初始化与主循环

首先打开默认摄像头（设备 ID 为 0），并初始化一些变量用于后续计算。

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

alpha 是滑动平均的权重值，数值越大，FPS 显示越平稳。主循环会不断从摄像头读取帧，如果读取失败则退出。

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

帧率监控

为了直观感受程序性能，我们需要计算每秒帧数（FPS）。这里采用瞬时帧率结合滑动平均的方法。

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

这样得到的 FPS 值不会像过山车一样剧烈波动，更适合展示。

表情识别与绘制

这是最关键的一步。我们对每一帧调用 DeepFace.analyze()，指定只执行情绪分析 (actions=['emotion'])，并设置 enforce_detection=False 以避免无脸时报错。

try:
    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)

遍历返回结果，提取人脸区域坐标和主导情绪，用 OpenCV 的绘图函数将绿色边框和文字叠加到原图上。

画面渲染与退出

最后，我们在左上角显示平滑后的 FPS，并通过 cv2.imshow() 弹出窗口展示结果。按下 q 键即可安全退出。

cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)
cv2.imshow("Emotion Detection", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
    break

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]  # 获取表情的置信度

            # 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

系统能够识别多种常见情绪状态，以下是部分典型示例：

总结

这个项目的核心在于结合了 OpenCV 的视频处理能力与 DeepFace 的面部情绪分析能力。通过这些组件，实现了从摄像头实时捕捉视频、分析人物情绪状态并在画面上直观展示结果的功能。

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。