import cv2
import dlib
from datetime import datetime

# Cargar el clasificador de cascada Haar preentrenado para la detección de caras
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + ‘haarcascade_frontalface_alt2.xml’)

# Cargar el modelo de predictor facial dlib para el reconocimiento de emociones
emotion_detector = dlib.get_frontal_face_detector()

# Abrir la cámara predeterminada (índice 0)
camera = cv2.VideoCapture(0)

if not camera.isOpened():
print(«Error al abrir la cámara.»)
exit()

print(«Presiona ‘q’ para salir.»)

while True:
ret, frame = camera.read()
if not ret:
print(«Error al recuperar el fotograma de la cámara.»)
break

# Convertir el fotograma a escala de grises para la detección de caras
gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

# Detectar caras en el fotograma
faces = face_cascade.detectMultiScale(gray_frame, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# Contador de personas
num_faces = len(faces)

# Dibujar cuadros delimitadores alrededor de las caras detectadas
for (x, y, w, h) in faces:
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

# Detectar emociones en la cara utilizando el modelo dlib
emotion_rectangles = emotion_detector(gray_frame[y:y+h, x:x+w])
for rect in emotion_rectangles:
cv2.putText(frame, «Emotion Detected», (x, y – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# Mostrar el contador de personas
cv2.putText(frame, f’Número de Personas: {num_faces}’, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)

# Mostrar la fecha y hora en la esquina superior derecha de la pantalla
current_datetime = datetime.now().strftime(«%Y-%m-%d %H:%M:%S»)
cv2.putText(frame, current_datetime, (frame.shape[1] – 200, 20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)

# Mostrar el fotograma
cv2.imshow(‘Webcam Feed with Face Detection’, frame)

# Salir del bucle si se presiona ‘q’
if cv2.waitKey(1) & 0xFF == ord(‘q’):
break

# Liberar la cámara y cerrar la ventana de OpenCV
camera.release()
cv2.destroyAllWindows()