基于深度学习的人脸实时表情识别项目 表情识别部分采用TensorFlow+OpenCV实现，GUI使用pyqt5构建 目前可针对5种表情（Angry,Happy,Neutral,Sad,Surprise）进行识别 本项目已在Python3.7，3.8下测试通过 测试效果图，如下所示 真人人脸遮挡了一下哦

屏幕前的摄像头突然亮起蓝光，电脑前的我对着镜头做了个鬼脸。显示器右下角的方框里，红色文字"Surprise"不断跳动——这可不是什么科幻电影场景，而是我们刚完成的实时表情识别系统。今天就跟大家唠唠这个用Python实现的AI小玩具，代码量不大但效果挺有意思。

整个项目架构像三明治：底层是TensorFlow构建的卷积神经网络，中间层OpenCV处理视频流，最上层PyQt5负责颜值担当。先看核心的实时检测循环：

def realtime_detection():
    cap = cv2.VideoCapture(0)
    while cap.isOpened():
        ret, frame = cap.read()
        face = detect_face(frame)
        if face is not None:
            roi = preprocess(face)
            emotion = model.predict(roi)[0]
            current_emotion = emotion_labels[np.argmax(emotion)]
            frame = draw_prediction(frame, current_emotion)
        cv2.imshow('Emotion Detective', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    cap.release()

这段代码里藏着几个关键点：OpenCV的VideoCapture不仅支持摄像头，改个参数就能读取视频文件；detect_face函数里用了Haar级联检测器，虽然有点年头但胜在速度快；预处理时强制转成48x48灰度图，这尺寸是我们模型训练时的输入规格。

说到模型结构，我们采用了一个轻量化的卷积网络：

model = tf.keras.Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(48,48,1)),
    MaxPooling2D((2,2)),
    Conv2D(64, (3,3), activation='relu'),
    MaxPooling2D((2,2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(5, activation='softmax')
])

别看只有5层，在FER2013数据集上能达到68%的准确率。这里有个小技巧：最后一层用softmax而不是sigmoid，因为我们要做的是多分类而不是多标签分类。Dropout层像给模型戴了口罩，防止它死记硬背训练数据。

GUI部分用了PyQt5的流水式布局，重点看看视频显示组件的实现：

class VideoWidget(QWidget):
    def __init__(self):
        super().__init__()
        self.label = QLabel()
        layout = QVBoxLayout()
        layout.addWidget(self.label)
        self.setLayout(layout)

    def update_frame(self, cv_img):
        qt_img = convert_cv_qt(cv_img)
        self.label.setPixmap(qt_img)

这里有个坑点：OpenCV的BGR格式转Qt的RGB需要手动转换颜色空间。convertcvqt函数里用了QImage的rgbSwapped方法，相当于给图像美颜滤镜。

基于深度学习的人脸实时表情识别项目 表情识别部分采用TensorFlow+OpenCV实现，GUI使用pyqt5构建 目前可针对5种表情（Angry,Happy,Neutral,Sad,Surprise）进行识别 本项目已在Python3.7，3.8下测试通过 测试效果图，如下所示 真人人脸遮挡了一下哦

实际测试时发现，当人脸倾斜超过30度时识别率明显下降。后来在预处理阶段加了直方图均衡化，效果立竿见影：

def preprocess(face_img):
    gray = cv2.cvtColor(face_img, cv2.COLOR_BGR2GRAY)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    enhanced = clahe.apply(gray)
    return enhanced.reshape(1,48,48,1).astype('float32')/255.0

CLAHE算法比普通直方图均衡更聪明，能避免局部过曝。注意最后的归一化操作，把像素值压缩到0-1之间，这是训练模型时的预处理步骤，预测时必须保持一致。

项目里还有个小彩蛋：按空格键可以冻结当前帧，这时系统会把你的表情截图保存为meme模板。这个功能实现起来简单，但传播效果意外地好——建议不要在有损友在场时演示。

最后说说部署注意事项：用pyinstaller打包时记得把haarcascadefrontalfacedefault.xml和模型文件放进资源目录。遇到过OpenCV动态链接库丢失的情况，后来改用静态编译版本解决问题。

这个项目的GitHub仓库里有详细的配置文档和预训练模型。别看现在只能识别五种表情，改改最后一层神经元数量就能扩展识别种类。下次考虑加入疲劳检测模块，或许能做成网课防摸鱼神器？不过那就是另一个故事了。