基于 DeepFace 与 OpenCV 的实时情绪分析器

FPS 计算

为了监控程序性能，我们需要计算每秒帧数。这里采用滑动平均法更新总体 FPS，这样画面上的数字会更稳定，不会剧烈跳动。

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

情绪分析及结果展示

这是最关键的一步。我们调用 DeepFace.analyze() 方法，指定只执行情绪分析 (actions=['emotion'])。遍历返回的结果，提取人脸区域坐标和主导情绪，然后在原图上绘制矩形框和文字信息。

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]
        
        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)
except Exception as e:
    print("无法检测到人脸:", e)

显示 FPS 和图像

将计算好的 FPS 值绘制在左上角，并使用 cv2.imshow() 弹出窗口展示带有标注的视频流。

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

退出条件

最后检查键盘输入，如果按下 q 键则中断循环，释放资源并关闭窗口。

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，即可得到完整的运行脚本。

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

    # 计算滑动平均 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

程序运行后，能够实时识别不同的面部表情。

自然

开心

伤心

恐惧

惊讶

总结

该方案的核心在于结合 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，实现了从摄像头实时捕捉、分析人物情绪状态到画面上直观展示的全流程。

这不仅展示了如何利用现有 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坚实的基础框架。