基于 DeepFace 与 OpenCV 的实时情绪分析器

基于 DeepFace 与 OpenCV 的实时情绪分析器

利用计算机视觉技术实时捕捉并分析人脸表情，是许多智能交互场景的基础。本文介绍如何使用 Python 结合 OpenCV 和 DeepFace 库，快速搭建一个能够识别七种基本情绪的演示程序。

核心依赖

项目主要依赖以下几个组件：

• OpenCV (cv2)：负责视频流捕获、图像预处理及结果绘制。
• DeepFace：封装了多种深度学习模型，用于面部特征提取及属性分析。
• NumPy & Time：辅助数据处理及帧率计算。

实现思路

整个流程并不复杂，核心在于'捕获 - 分析 - 渲染'的闭环。

初始化与资源管理

首先打开默认摄像头设备，并设置好 FPS 计算的变量。为了获得更稳定的帧率显示，我们采用指数加权移动平均（EWMA）来平滑瞬时 FPS 值，避免画面跳动过大影响观感。

cap = cv2.VideoCapture(0)
prev_time = time.time()
fps = 0
alpha = 0.9  # 平滑系数

主循环与帧处理

在 while True 循环中，我们逐帧读取视频流。如果读取失败则退出。每一帧的处理包含三个关键步骤：计算当前帧率、调用 DeepFace 进行情绪分析、将结果绘制回画布。

值得注意的是，DeepFace 的分析接口可能会因为检测不到人脸而抛出异常，因此我们在调用时增加了 try-except 块，确保程序不会因单帧失败而崩溃。同时，enforce_detection=False 参数允许在没有检测到人脸时继续运行，这在某些边缘情况下很有用。

结果可视化

分析完成后，DeepFace 会返回主导情绪及其置信度。我们将这些信息绘制在人脸矩形框上方，并在左上角显示当前的 FPS。按下 q 键即可安全释放摄像头资源并关闭窗口。

完整代码

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()