虹软AI 人脸识别SDK接入 — 参数优化篇

引言

使用了免费的人脸识别算法，感受仍是很不错的，可是初次接触的话会对一些接口的参数有些疑问的。这里分享一下我对一些参数的验证结果（这里以windows版本为例，linux、android基本同样），但愿能更好的帮助各位接入虹软的人脸识别算法。

本文主要分析如下两个参数：

• detectFaceMaxNum
• combinedMask

detectMode参数介绍

在引擎初始化的时候，须要选择video或image模式，在接口头文件中定义了宏ASF_DETECT_MODE_VIDEO、ASF_DETECT_MODE_IMAGE，根据须要的模式传入便可。video模式对应人脸追踪算法（FT），image模式对应人脸检测算法（FD），关于FT/FD算法的区别能够参考虹软AI 人脸识别SDK接入 — 参数优化篇（1） 经过测试数据，我的感受image模式下的数据更能准确的体现算法的能力，下面关于其余参数的介绍均在image模式下进行；

测试机器硬件配置：

• 处理器：Intel(R)Corei5-7400 CPU @ 3.00GHZ 300GHZ
• 安装内存(RAM)：16.00GB(15.9GB可用)
• 系统类型：win-10 64位操做系统

参数介绍：

1、detectFaceMaxNum参数说明

1.1 推荐值

初始化接口中detectFaceMaxNum参数的设置决定ASFDetectFaces（FT/FD）接口单帧图片容许检测的最大人脸数，官网推荐最大值不超过50，虽然能够设置更大的值，可是没有必要，下面数据能够说明；

1.2 检测到的人脸数对应的性能消耗

测试用例：

1. 1280*720像素图像数据；
2. 循环检测100次取平均值；

• ASF_DETECT_MODE_IMAGE模式

• ASF_DETECT_MODE_VIDEO模式

经过以上数据能够看出，image模式下图片中人脸数越多单次检测的耗时会越长，video模式下图片中人脸数越多单次检测的耗时也会有略微增长。综上，detectFaceMaxNum参数的设置多少并不影响内存的分配以及性能的消耗，仅是设置算法单帧检测的最大人脸数。

2、combinedMask参数说明

2.1 内存占用

combinedMask参数是初始化引擎时传入不一样属性功能组合，传入的属性越多引擎分配的内存越大。实际应用状况下，传入必需的属性组合便可，传入多余属性只会占用内存。

下表数据是在测试其余参数固定，只修改mask参数时初始化接口内存的占用状况（数据取自windows任务管理器）：

 

2.2 ASFInitEngine****接口与ASFProcess接口中combinedMask参数的关系

官方文档对ASFProcess接口中combinedMask参数的解释：

初始化中参数combinedMask与ASF_AGE | ASF_GENDER | ASF_FACE3DANGLE | ASF_LIVENESS交集的子集；

举例说明：

例1：ASFInitEngine接口中传入全属性，则ASFProcess接口能够传入ASF_AGE、ASF_GENDER、 ASF_FACE3DANGLE、 ASF_LIVENESS四种属性的任意组合。

例2：ASFInitEngine接口中传入ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_AGE | ASF_GENDER ，则ASFProcess接口只能传入ASF_AGE、 ASF_GENDER两种属性的任意组合。

2.3 cpu****占用

cpu占用受设备以及测试条件影响比较大，根据使用状况ASF_AGE | ASF_GENDER | ASF_FACE3DANGLE对应的算法对cpu的消耗是比较少的，但ASF_LIVENESS是比较消耗cpu资源的，须要根据自身设备作对应处理。

2.4 ASFProcess****接口不一样属性的性能

测试用例：

1. 1280*720像素图像数据；
2. 循环检测100次取平均值；

测试代码：

测试结果：

综上所述，年龄、性别、3d角度的检测是很是快的，活体检测相对较慢。在实际应用中仅须要检测ASF_AGE、ASF_GENDER、 ASF_FACE3DANGLE的话，能够放在主线程中处理，但若是须要检测ASF_LIVENESS建议单开线程去处理，这样在video模式下不会出现卡帧的状况，界面显示比较流畅。

https://ai.arcsoft.com.cn/product/arcface.html?utm_source=kyzg&utm_medium=referral