基于 DeepFace 与 OpenCV 的实时情绪分析系统

基于 DeepFace 与 OpenCV 的实时情绪分析系统

利用计算机视觉技术实时捕捉并分析人脸情绪，是人工智能落地的典型场景之一。本方案结合 OpenCV 的视频流处理能力与 DeepFace 的深度学习模型，构建一个轻量级的实时情绪检测应用。

核心组件

硬件与环境

仅需一台配备摄像头的电脑即可运行，无需额外传感器。软件层面依赖 Python 生态中的几个关键库：

• OpenCV (cv2)：负责视频流的捕获、图像预处理及结果绘制。
• DeepFace：封装了多种预训练模型（如 VGG-Face, Google FaceNet 等），专注于面部属性分析，这里主要调用其情绪识别功能。
• Time & Numpy：辅助计算帧率及处理数组数据。

实现逻辑

程序的核心在于一个持续运行的循环，不断从摄像头读取帧，经过处理后展示结果。

视频流与 FPS 监控

为了评估性能，我们需要计算每秒帧数（FPS）。直接计算瞬时值波动较大，因此采用滑动平均法平滑数据。通过记录上一帧的时间戳，计算当前耗时，再结合权重系数更新当前的 FPS 显示值。这能让开发者直观感受到模型推理对流畅度的影响。

情绪识别流程

在每一帧中，我们调用 DeepFace.analyze() 接口。注意设置 enforce_detection=False，这样当画面中没有检测到人脸时，程序不会抛出异常中断，而是跳过该帧继续处理，保证体验连贯。 返回的结果包含人脸区域坐标、主导情绪及各项情绪的置信度。我们将这些信息绘制在原图上：绿色矩形框标记人脸位置，上方文字显示情绪名称和百分比。

交互控制

使用 OpenCV 的窗口监听机制，按下 q 键即可安全退出，释放摄像头资源。

完整代码

import cv2
import time
import numpy as np
from deepface import DeepFace

# 初始化摄像头
cap = cv2.VideoCapture(0)
prev_time = time.time()
fps = 0
alpha = 0.9  # 滑动平均权重

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:
        
        result = DeepFace.analyze(frame, actions=[], enforce_detection=)
         face  result:
            x, y, w, h = face[][], face[][], face[][], face[][]
            emotion = face[]
            confidence = face[][emotion]

            
            cv2.rectangle(frame, (x, y), (x + w, y + h), (, , ), )
            
            text = 
            cv2.putText(frame, text, (x, y - ), cv2.FONT_HERSHEY_SIMPLEX, , (, , ), )
     Exception  e:
        (, e)

    
cv2.putText(frame, , (, ), cv2.FONT_HERSHEY_SIMPLEX, , (, , ), )

    
cv2.imshow(, frame)
 cv2.waitKey() &  == ():
    

cap.release()
cv2.destroyAllWindows()