基于Streamlit的表情识别系统仅显示视频静态帧，无法播放完整视频

你的代码核心问题是仅读取并处理了视频的第一帧，没有循环遍历视频的所有帧，所以只能显示静态图像，无法播放完整视频。此外，模型和人脸检测器在每次处理帧时重复加载，会导致性能严重下降。

import tempfile
import cv2
import numpy as np
from tensorflow.keras.models import model_from_json
import streamlit as st

# 提前加载模型和检测器，避免重复加载
emotion_dict = {0: "Angry", 1: "Disgusted", 2: "Fearful", 3: "Happy", 4: "Neutral", 5: "Sad", 6: "Surprised"}

# load json and create model
json_file = open('./model/model4.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
emotion_model = model_from_json(loaded_model_json)

# load weights into new model
emotion_model.load_weights("./model/model4.h5")

face_detector = cv2.CascadeClassifier('haarcascades/haarcascade_frontalface_default.xml')

FRAME_WINDOW = st.image([])
uploaded_video = st.file_uploader("Upload Video")

if uploaded_video is not None:
    tfile = tempfile.NamedTemporaryFile(delete=False) 
    tfile.write(uploaded_video.read())
    tfile.close()  # 关闭临时文件，避免占用

    camera = cv2.VideoCapture(tfile.name)
    
    # 循环读取视频的每一帧
    while camera.isOpened():
        ret, frame = camera.read()
        if not ret:
            break  # 视频读取完毕，退出循环
        
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 检测人脸
        num_faces = face_detector.detectMultiScale(gray_frame, scaleFactor=1.3, minNeighbors=5)

        # 处理每一张检测到的人脸
        for (x, y, w, h) in num_faces:
            cv2.rectangle(frame, (x, y-50), (x+w, y+h+10), (0, 255, 0), 4)
            roi_gray_frame = gray_frame[y:y + h, x:x + w]
            cropped_img = np.expand_dims(np.expand_dims(cv2.resize(roi_gray_frame, (48, 48)), -1), 0)

            # 预测表情
            emotion_prediction = emotion_model.predict(cropped_img, verbose=0)  # verbose=0关闭预测日志
            maxindex = int(np.argmax(emotion_prediction))
            cv2.putText(frame, emotion_dict[maxindex], (x+5, y-20), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2, cv2.LINE_AA)
        
        # 更新图像组件，实现视频播放效果
        FRAME_WINDOW.image(frame)
    
    camera.release()  # 释放视频捕获资源

• 添加帧循环：使用while camera.isOpened()循环读取视频的每一帧，直到视频结束。
• 提前加载模型：将模型、权重和人脸检测器的加载代码移到文件上传逻辑之外，避免每次处理帧都重复加载，大幅提升性能。
• 关闭临时文件：添加tfile.close()确保临时文件可以被正常读取。
• 关闭预测日志：在emotion_model.predict()中添加verbose=0，避免控制台输出大量预测信息干扰Streamlit界面。
• 释放资源：循环结束后调用camera.release()释放视频捕获对象，避免资源泄漏。

• 可以添加帧率控制，比如用time.sleep(1/30)来匹配视频原帧率，避免播放速度过快。
• 对于长视频，考虑添加暂停/播放按钮，提升用户体验，可使用Streamlit的st.button()结合状态变量实现。
• 如果视频处理速度较慢，可以考虑多线程处理，将帧处理逻辑放到单独线程中，避免界面卡顿。

内容的提问来源于stack exchange，提问作者isme_