应用场景
情绪识别技术在实际落地中有着广泛的应用空间，特别是在需要理解人类情感反馈的场景下。
- 心理健康辅助：长期监控情绪波动，为医生提供诊断参考或疗效评估依据。
- 用户体验优化：在产品设计或广告测试中，观察用户真实的情绪反应，从而调整交互细节。
- 互动娱乐增强：游戏或 VR 应用中根据玩家情绪动态调整难度与剧情，提升沉浸感。
- 安全预警：在安检或公共区域监测异常情绪状态，辅助识别潜在风险。
- 智能交互：智能家居或助手设备感知用户状态，提供更个性化的响应。
随着 AI 技术的成熟，这种非接触式的情感计算正逐渐成为人机交互的重要一环。
环境准备
要实现这个功能，主要依赖以下软硬件组件：
硬件
- 摄像头：电脑内置或外接 USB 摄像头即可，用于采集实时视频流。
软件依赖
- OpenCV (
cv2)：核心图像处理库，负责视频捕获、帧处理及绘图。 - DeepFace：基于深度学习的面部分析库，专门用于表情、年龄、性别等属性预测。
- Python 标准库：如
time用于计算帧率，numpy虽未直接调用但常作为底层支撑。
核心逻辑拆解
整个流程并不复杂，主要是'抓图 -> 分析 -> 标注 -> 显示'的闭环。下面结合代码逻辑一步步说明。
初始化与资源获取
首先导入必要的库并打开默认摄像头。这里用 0 代表第一个可用设备。
import cv2
import time
import numpy as np
from deepface import DeepFace
cap = cv2.VideoCapture(0)
prev_time = time.time()
fps = 0
alpha = 0.9 # 滑动平均权重
注意 alpha 参数，它决定了 FPS 更新的平滑程度，值越大画面越稳定，但延迟也会稍高。
主循环与 FPS 计算
进入 while True 循环后，每一帧都要先计算当前的帧率。为了消除抖动，我们采用指数移动平均（EMA）算法。
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 = / delta_time
fps = alpha * fps + ( - alpha) * instant_fps
