用 DeepFace 和 OpenCV 搭一个实时情绪检测器

情绪识别这玩意儿这几年用得越来越多，算不上多高深，但随手搭一个出来玩玩还挺有意思。这篇就聊聊怎么用 DeepFace 和 OpenCV 快速整一个实时情绪分析的小应用。

能用来干什么

说一些常见的落地场景，不一定都靠谱，但思路可以借鉴：

• 心理健康：长期监控情绪变化，辅助医生做评估，不过准确度这块还得打个问号。
• 用户体验研究：看用户试用产品时的表情，比问卷来得直接。
• 游戏和 VR：根据玩家情绪动态调整难度，沉浸感会强一些。
• 安防监控：在公共场所检测异常情绪，但容易有误报。
• 教育：老师能大致了解学生听课状态，上课走神一眼就能看出来？没那么神。
• 智能助手：设备感知到你不耐烦了，就少说废话。
• 疲劳驾驶：配合其他传感器，情绪也算一个维度。

用了哪些轮子

硬件就是普通摄像头，笔记本自带的就行。

软件方面：

• OpenCV：处理视频流、画框写字。
• DeepFace：封装了人脸分析和情绪预测，省得自己训模型。
• Python 标准库，比如 time 算帧率。

代码怎么跑的

逻辑很简单：打开摄像头 → 抓帧 → 算 FPS → 调 DeepFace 分析 → 把结果画到画面上 → 按 q 退出。

初始化

先导库，然后打开默认摄像头。prev_time 记录上一帧时间，fps 是当前帧率，用指数移动平均（alpha 0.9）平滑一下，否则数字跳得没法看。

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

主循环与 FPS

每帧计算时间差，求瞬时 FPS 再平滑。写了个简单的滑动平均，alpha 越大曲线越稳，但响应会慢。

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

情绪分析

调用 DeepFace.analyze()，只跑情绪 (actions=['emotion'])，关闭强制人脸检测（enforce_detection=False）防止没检测到人脸时程序崩溃。返回结果里取坐标和主导情绪，画个绿框，把情绪和置信度标在框上方。

    try:
        result = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
        for face in result:
            x, y, w, h = face['region']['x'], face['region']['y'], face['region']['w'], face['region']['h']
            emotion = face['dominant_emotion']
            confidence = face['emotion'][emotion]

            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
            text = f'{emotion} ({confidence:.2f}%)'
            cv2.putText(frame, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    except Exception as e:
        print("无法检测到人脸:", e)

显示和退出

左上角显示平滑后的 FPS，按 q 键退出，释放摄像头。

    cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)
    cv2.imshow("Emotion Detection", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

完整代码

把上面的片段拼起来就是一个完整的脚本：

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

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

    try:
        result = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
        for face in result:
            x, y, w, h = face['region']['x'], face['region']['y'], face['region']['w'], face['region']['h']
            emotion = face['dominant_emotion']
            confidence = face['emotion'][emotion]
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
            text = f'{emotion} ({confidence:.2f}%)'
            cv2.putText(frame, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    except Exception as e:
        print("无法检测到人脸:", e)

    cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)
    cv2.imshow("Emotion Detection", frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

效果图

下面是我自己跑出来的几张截图，DeepFace 对常见表情的识别还算稳定，不过真人情绪复杂，偶尔会识别成'neutral'。

自然状态

开心

伤心

恐惧

惊讶

收尾

核心就是 OpenCV 读视频 + DeepFace 做推理，几十行代码就能跑起来。如果想更实用，可以加个日志记录情绪变化，或者把结果推到后端做进一步分析。DeepFace 还能检测年龄、性别、种族，有兴趣可以自己改 actions 参数试试。