Python으로 영상 기반 감정 인식(Emotion Recognition) – 미디어/마케팅 응용

 

1. 감정 인식 프로젝트는 정확도보다 “쓸 수 있느냐”에서 성패가 갈렸다

영상 기반 감정 인식을 처음 도입했을 때 목표는 명확했다. 시청자의 감정을 정확히 분류하는 것이었다. 그러나 실제 미디어 환경에서는 감정 분류 정확도가 높아도, 마케팅 의사결정에 연결되지 않으면 의미가 없었다. 결국 문제는 모델이 아니라, 결과를 어떻게 해석하고 사용할 것인가였다.

---

2. 미디어 영상에서 얼굴은 생각보다 잘 보이지 않았다

광고나 콘텐츠를 시청하는 사용자는 정면을 응시하지 않는다. 고개를 돌리거나, 화면에서 멀어지거나, 조명이 바뀐다. 이로 인해 얼굴 검출률 자체가 크게 흔들렸다. 감정 인식 이전에 얼굴이 안정적으로 들어오는 구간만 선별하는 로직이 필수라는 사실을 뒤늦게 깨달았다.

---

3. 감정은 프레임 단위로 존재하지 않았다

초기 구현에서는 프레임마다 감정을 분류했다. 결과는 혼란스러웠다. 웃음과 무표정이 1초 안에 수십 번 오갔다. 이후 접근을 바꿔 시간 구간 단위로 감정의 흐름을 해석했다. 이 변화 하나로 마케팅 리포트의 신뢰도가 급격히 올라갔다.

---

4. Python을 선택한 이유는 모델 실험보다 데이터 검증 때문이었다

Emotion Recognition 모델 자체는 이미 충분히 많았다. 문제는 모델이 아니라 입력 데이터가 어떤 상태인지 빠르게 확인하는 작업이었다. Python은 영상 프레임 추출, 로그 분석, 감정 분포 시각화를 빠르게 반복할 수 있어 현장 대응에 적합했다.

---

5. 감정 인식 결과는 ‘정답’이 아니라 ‘지표’로 다뤄야 했다

미디어/마케팅 환경에서 감정 인식은 개인의 실제 감정을 맞히는 도구가 아니다. 여러 사용자의 반응을 경향성으로 해석하는 센서에 가깝다. 이 관점을 받아들이자, 과도한 분류 세분화 대신 핵심 감정 몇 가지만 추적하는 구조로 단순화할 수 있었다.

---

6. Python 기반 영상 감정 인식 기본 처리 흐름 예제

import cv2
from fer import FER

detector = FER(mtcnn=True)
cap = cv2.VideoCapture("viewer_video.mp4")

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    emotions = detector.detect_emotions(frame)
    if emotions:
        dominant = emotions[0]["emotions"]
        print(max(dominant, key=dominant.get))

    if cv2.waitKey(1) == 27:
        break

cap.release()

---

코드 부가 설명

이 코드는 감정 인식의 최소 구조다. 실제 현장에서는 이 결과를 그대로 사용하지 않고, 시간 윈도우 내 감정 평균값으로 누적했다. 프레임 단위 출력은 노이즈가 심했고, 마케팅 분석에는 오히려 방해가 됐다. 감정 인식은 계산보다 집계 방식이 중요했다.

---

7. 마케팅 영상에서는 ‘기쁨’보다 ‘집중 유지 시간’이 더 중요했다

처음에는 긍정 감정 비율을 핵심 지표로 삼았다. 그러나 실제로 성과와 가장 잘 맞았던 값은 특정 감정이 유지되는 시간이었다. 감정의 강도보다 지속성이 구매 전환과 더 높은 상관을 보였다.

---

8. 모바일 환경에서는 감정 인식 정확도가 급격히 떨어졌다

모바일 시청 환경에서는 화면 크기, 시청 거리, 흔들림 때문에 얼굴 특징이 크게 왜곡됐다. 이를 해결하기 위해 모델을 바꾸기보다, 분석 대상 구간 자체를 보수적으로 줄이는 전략을 택했다. 덜 분석하되, 확실한 구간만 분석하는 것이 전체 품질을 높였다.

---

9. 감정 인식 결과를 그대로 노출하면 내부 반발이 생겼다

마케팅 팀은 “이 수치가 진짜 감정이냐”를 반복해서 물었다. 그래서 결과를 감정 명칭이 아닌 행동 반응 지표에 가까운 표현으로 변환했다. 예를 들어 ‘흥미 상승 구간’처럼 해석 가능한 언어로 바꾸자 활용도가 높아졌다.

---

10. 실전에서 가장 많이 조정한 것은 모델이 아니라 기준선이었다

어떤 감정을 ‘의미 있는 반응’으로 볼 것인지 기준을 계속 수정했다. 이 기준선 조정이 전체 시스템 성능에 가장 큰 영향을 미쳤다. 감정 인식은 기술보다 판단 기준 설계의 문제였다.

---

11. 결론: 영상 기반 감정 인식은 분석 기술이 아니라 커뮤니케이션 도구다

Python으로 영상 감정 인식을 구현하며 얻은 결론은 분명하다. 이 기술은 사람의 마음을 읽는 도구가 아니라, 콘텐츠와 사용자의 관계를 해석하는 보조 장치다. 현장에서 살아남는 감정 인식 시스템은 언제나 단순했고, 결과를 과장하지 않았다.