原创深度：使用OpenVINO™工具套件洞察顾客心情（一）

作者：M. Tim Jones 贸泽电子

了解消费者情绪是产品、服务等反馈流程中的重要一环。近年来，情绪分析（也称为意见挖掘）已被证明是提供顾客反馈的有用工具。情绪分析就是对社交媒体语境中的文字和自然语言进行分析和处理，其基本原理是根据某种形式的交流（如社交平台或网站上的评论）来了解顾客对某一主题的看法。

情绪分析的一种演变是检测顾客在货架前看到产品时的心情。这种类型的情绪分析不仅可以统计顾客对产品的看法，而且还可以支持直接互动—例如，如果顾客表现出对产品感兴趣，就通知销售人员。在本文中，我们将探讨如何利用Intel^®OpenVINO™工具套件中的Shopper Mood应用程序，根据顾客面部表情的视频输入，自动推断他们在看到商品时的心情。

Shopper Mood的数据管道

图1显示了Shopper Mood应用程序的数据管道。我们来更深入地了解一下这个深度学习应用程序的工作流程。

图1：Shopper Mood的推理管道图展示了OpenVINO™工具套件的这个应用程序如何处理捕获的图像，以识别在顾客脸上检测到的心情。（资料来源：作者）

这个过程首先通过安装在货架上的摄像头捕捉图像，然后将该图像传递到基于卷积神经网络（CNN）的两个深层神经网络中的第一个。CNN是用于处理图像的最流行深度学习网络架构之一。它们由许多层组成，这些层在前端将图像分成多个小窗口来处理，并在后端生成一个或多个分类分数。第一个CNN决定是否能在捕获的图像中检测到人脸。如果第一个网络发现图像中存在人脸的概率超过可配置的概率阈值，则每张脸都被归类为“顾客”，并传递给第二个网络。第二个网络按以下五个类别对面部表情归类：

● 开心
● 难过
● 惊讶
● 愤怒
● 无表情

如果CNN无法确定所检测人脸的情绪（高于可配置的阈值），就会简单地将其标记为“未知”。在图2中，可以看到覆盖在原始图像上的处理结果。

图2：Shopper Mood Monitor输出屏幕显示了Shopper Mood推理通道的结果示例，这些结果就叠加在所捕获的原始图像上（资料来源：英特尔）

从图2可以看出，检测图像中人脸所需的时间是136ms，而情绪分析则需要13ms。这种快速处理使得此项分析可以实时执行，并快速响应，如通知销售人员协助顾客。

该示例应用程序还可以用于非实时统计，可以选择通过消息队列遥测传输（MQTT）协议将分析出的情绪结果发送到数据分析系统进行累积和脱机分析。

精彩内容未完待续......

作者简介

M. Tim Jones是一位经验丰富的嵌入式固件架构师，拥有超过30年的架构和开发经验。Tim曾撰写过多本书和许多文章，涉及软件和固件开发的各个领域。他的工程背景包括为地球同步轨道航天器开发内核以及嵌入式系统架构和协议开发。

原文链接：

https://www.mouser.cn/blog/measuring-shopper-mood-openvino-toolkit

该发布文章为独家原创文章，转载请注明来源。对于未经许可的复制和不符合要求的转载我们将保留依法追究法律责任的权利。