用 DeepFace 和 OpenCV 做实时情绪识别

3. 功能模块

• 视频捕捉与处理：cv2.VideoCapture(0) 打开默认摄像头，循环读取每一帧。
• FPS 计算：通过前后两次时间戳差值算瞬时 FPS，再用滑动平均压一压抖动。
• 情绪分析：对每帧调用 DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)，拿到人脸位置和主导情绪。
• 结果显示：用 cv2.rectangle() 和 cv2.putText() 把框和文字画回画面。
• 退出控制：按 q 结束循环。

代码思路

实现并不复杂：摄像头负责喂帧，DeepFace 负责识别，OpenCV 负责展示。难点不在流程，而在细节处理上，比如帧率别掉得太狠，没人脸时别直接崩掉，显示结果时尽量别把画面弄得太乱。

导入库

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

cv2 用于图像和视频处理，time 用于计算 FPS，numpy 这里没有直接参与逻辑，DeepFace 则提供情绪分析能力。

打开摄像头并初始化变量

cap = cv2.VideoCapture(0)
prev_time = time.time()
fps = 0
alpha = 0.9

0 表示默认摄像头。prev_time 记录上一次时间点，fps 保存平滑后的帧率，alpha 是滑动平均权重，数值越大，显示越稳，但响应也越慢。

主循环

while True:
    ret, frame = cap.read()
    if not ret:
        break
    # ... (后续处理逻辑)
    cap.release()
    cv2.destroyAllWindows()

循环里不断读取视频帧，失败就退出。实际项目里，资源释放一般会放在循环外面，这里原代码写法有点别扭，但不影响理解主流程。

FPS 计算

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

每帧计算一次时间差，再换算成瞬时帧率。直接显示瞬时值会抖得很厉害，所以再做一次平滑处理，读数会更像'当前体验'，而不是'这一帧的噪声'。

情绪分析和标注

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)

这里的重点只有一个：enforce_detection=False。它让模型在没检测到明确人脸时也别直接报错，适合做实时视频流。代价是结果会更宽松，不能把它理解成'每一帧都很准'。

显示 FPS 和画面

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

画面左上角显示 FPS，窗口中展示带标注的视频流。这个部分很朴素，但对调试很有用，至少能看出程序是在跑，还是只是识别结果在'看起来正常'。

退出条件

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

按 q 退出。这个交互足够简单，也没必要再折腾成复杂菜单。

完整代码

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

# 打开摄像头
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
    if delta_time > 0:
        instant_fps = 1.0 / delta_time
        fps = alpha * fps + (1 - alpha) * instant_fps

    try:
        # 进行表情识别
        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]  # 获取表情的置信度

            # 绘制人脸矩形框
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

            # 在人脸上方显示情绪信息
            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 FPS（平滑更新）
    cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)

    # 显示图像
    cv2.imshow("Emotion Detection", frame)

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

cap.release()
cv2.destroyAllWindows()

小结

这套实现的价值不在于'情绪识别有多神'，而在于把 OpenCV 的视频流处理和 DeepFace 的分析能力接起来，快速跑出一个能看、能改、能继续往下搭的原型。要做成真正可用的系统，还得再补上更稳的检测策略、异常处理和场景约束。