基于 DeepFace 与 OpenCV 的实时情绪分析系统

程序进入一个无限循环，不断从摄像头读取帧。如果读取失败（比如摄像头被占用），则退出循环。

在循环内部，我们首先要计算当前的运行速度。通过获取当前时间戳并与上一帧时间相减得到时间差 delta_time，进而算出瞬时 FPS。为了消除抖动，我们采用指数加权移动平均法更新 fps 值。

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

情绪分析与标注

这是最关键的一步。我们调用 DeepFace.analyze() 函数对当前帧进行分析。参数 actions=['emotion'] 指定只执行情绪分析任务，而 enforce_detection=False 则允许在没有检测到人脸时不抛出错误，避免程序崩溃。

拿到结果后，遍历每个人脸区域，提取坐标、主导情绪和置信度。然后利用 OpenCV 的绘图函数，在视频画面上画出绿色矩形框，并在人脸上方显示情绪名称和百分比。

    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)

显示与退出

最后，我们在左上角显示平滑后的 FPS 值，并通过 cv2.imshow() 展示处理后的画面。监听键盘输入，按下 q 键即可退出循环，释放摄像头资源并关闭窗口。

    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

cap.release()
cv2.destroyAllWindows()

完整代码

将上述逻辑整合在一起，完整的 Python 脚本如下：

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

    # 表情识别
    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)

    # 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

系统能够准确识别多种常见情绪状态，以下是不同表情的识别示例：

自然状态

开心

伤心

恐惧

惊讶

总结

这个项目核心在于结合了 OpenCV 的视频处理能力与 DeepFace 的面部情绪分析能力。通过简单的几行代码，就能实现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，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。实际使用中，可以根据需求扩展更多功能，比如记录情绪日志或接入其他业务逻辑。