基于 DeepFace 与 OpenCV 的实时情绪分析器
利用摄像头捕捉视频流，结合深度学习模型对每一帧进行情绪分析，并在画面上直观标记出检测到的情绪状态及置信度。这套方案不仅展示了如何利用现有的 AI 库快速构建实用应用，也为进一步开发情感识别系统提供了基础框架。在心理健康评估、用户体验研究或互动娱乐等领域，这种技术都有着广阔的应用前景。
环境准备
要实现这个功能，主要依赖以下几个组件：
硬件方面 只需要一个普通的摄像头即可，无论是笔记本内置的还是外接的 USB 摄像头都能胜任。
软件依赖
- OpenCV (
cv2)：负责视频流的捕获、图像处理和绘图（如绘制矩形框和文字）。 - DeepFace：核心的深度学习库，专门用于面部属性预测，这里我们用它来识别情绪。
- time & numpy：标准库和科学计算库，分别用于时间戳计算和数值处理。
安装时确保已配置好 Python 环境，并通过 pip install opencv-python deepface numpy 安装相关包。
核心逻辑解析
整个程序的主循环其实并不复杂，但有几个细节值得注意。
首先是FPS 计算。为了监控程序性能，我们需要实时计算每秒帧数。这里采用滑动平均的方法，避免瞬时值波动过大影响观察。代码中用 alpha 控制平滑权重，数值越大曲线越稳。
其次是情绪分析。调用 DeepFace.analyze() 函数时，指定 actions=['emotion'] 可以只执行情绪识别任务，节省资源。需要注意的是，如果画面中没有检测到人脸，需要设置 enforce_detection=False 防止程序报错中断。
最后是结果展示。分析完成后，遍历返回的人脸区域坐标，在原图上绘制绿色边框，并在上方标注情绪名称和置信度百分比。同时，左上角会显示当前的运行帧率。
完整代码实现
下面是整合后的完整脚本，可以直接运行测试。
import cv2
import time
import numpy as np
from deepface import DeepFace
# 打开默认摄像头
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
delta_time > :
instant_fps = / delta_time
fps = alpha * fps + ( - alpha) * instant_fps
:
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()
