基于 DeepFace 与 OpenCV 的实时情绪分析系统

注意，如果某帧没有检测到人脸，result 可能为空，因此需要遍历处理。同时加上 try-except 块来捕获潜在错误，保证程序不会轻易崩溃。

4. 结果展示与退出

最后，将带有标注的画面显示出来，并监听键盘输入。按下 q 键即可安全退出，释放摄像头资源。

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

将上述逻辑整合在一起，完整的脚本如下：

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

    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

运行程序后，你可以尝试不同的面部表情，系统会实时反馈识别结果。以下是几种典型状态的识别示例：

总结

这个项目的核心在于结合了 OpenCV 的视频处理能力与 DeepFace 的深度学习模型。通过这段代码，你不仅实现了从摄像头实时捕捉视频、分析人物情绪状态，还在画面上直观展示了分析结果和性能指标。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基础框架。