🎭 تشخیص احساسات چهره با نمایش همزمان تصویر و نتایج

import deepface as DeepFace
import cv2
import matplotlib.pyplot as plt
import numpy as np

# شروع دوربین
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    try:
        # تحلیل احساسات
        results = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
        emotion = results[0]['dominant_emotion']
        emotions = results[0]['emotion']
        
        # رسم نمودار احساسات
        plt.clf()  # پاک کردن نمودار قبلی
        plt.bar(emotions.keys(), emotions.values(), color='skyblue')
        plt.title(f'Dominant Emotion: {emotion}')
        plt.ylim(0, 100)
        
        # تبدیل نمودار به تصویر OpenCV
        fig = plt.gcf()
        fig.canvas.draw()
        plot_img = np.array(fig.canvas.renderer.buffer_rgba())
        plot_img = cv2.cvtColor(plot_img, cv2.COLOR_RGBA2BGR)
        
        # نمایش ترکیبی
        combined = np.vstack((
            cv2.resize(frame, (640, 360)), 
            cv2.resize(plot_img, (640, 360))
        ))
        
        cv2.imshow('Face Analysis - Live', combined)
        
    except Exception as e:
        print(f"خطا: {e}")
        cv2.imshow('Face Analysis - Live', frame)
    
    if cv2.waitKey(1) == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

✔️ ویژگی‌های منحصر به فرد

- نمایش زنده تصویر دوربین + نمودار احساسات در یک پنجره
- آپدیت لحظه‌ای نمودار با تغییر حالات چهره
- بهینه‌سازی عملکرد با enforce_detection=False برای جلوگیری از خطا

🛠 راه‌اندازی آسان

1. نصب کتابخانه‌ها:

pip install deepface opencv-python matplotlib numpy

2. اجرای کد:

python face_emotion.py

#deepface | #cv2 | #matplotlib | #numpy | @learnpythonicy

> *برای دقت بیشتر می‌توانید مدل‌های سفارشی مانند VGG-FER را بارگذاری کنید:*
> DeepFace.build_model("VGG-Fer")