基于 DeepFace 与 OpenCV 的实时情绪分析器
应用场景
情绪识别技术如今应用广泛，尤其是在需要了解和分析人类情感反应的场合。例如在心理健康领域，可以通过长期监控情绪变化辅助诊断；在产品设计中，观察用户的情绪反应来优化体验；或者在游戏、VR 应用中根据玩家状态动态调整难度。此外，它还能用于安全监控早期发现异常行为，以及教育场景中了解学生状态。
实现组件
硬件要求
- 摄像头：电脑内置或外接 USB 摄像头，用于捕捉实时视频流。
软件依赖
- OpenCV (
cv2)：核心图像处理库，负责捕获视频流、绘制矩形框和文字。 - DeepFace：深度学习面部分析库，专门用于预测年龄、性别及情绪属性。
- time & numpy：标准库与科学计算库，分别用于时间戳计算和数组处理（虽本例未直接大量使用 numpy，但属基础环境）。
核心逻辑与代码详解
整个流程其实很直观：打开摄像头 -> 读取帧 -> 计算 FPS -> 分析情绪 -> 绘制结果 -> 显示窗口。下面我结合代码一步步拆解关键部分。
1. 导入必要的库
首先引入 OpenCV、时间模块和 DeepFace。注意 enforce_detection=False 参数，这能防止在没有检测到人脸时程序直接报错崩溃。
import cv2
import time
import numpy as np
from deepface import DeepFace
2. 初始化摄像头与变量
我们打开默认摄像头（设备 ID 为 0），并设置一些用于 FPS 计算的变量。这里用到了滑动平均算法来平滑帧率显示，避免数值跳动太剧烈。
cap = cv2.VideoCapture(0)
prev_time = time.time()
fps = 0
alpha = 0.9 # 滑动平均权重，越大越平稳
3. 主循环与 FPS 计算
进入无限循环不断读取帧。如果读取失败（比如摄像头被占用），则退出。
计算 FPS 的逻辑是记录当前时间与上一帧时间的差值，取倒数得到瞬时帧率，再结合历史数据做加权平均。
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
