虹軟AI 人臉識別SDK接入 — 參數優化篇

引言

使用了免費的人臉識別算法，感受仍是很不錯的，可是初次接觸的話會對一些接口的參數有些疑問的。這裏分享一下我對一些參數的驗證結果（這裏以windows版本爲例，linux、android基本同樣），但願能更好的幫助各位接入虹軟的人臉識別算法。

本文主要分析如下兩個參數：

• detectFaceMaxNum
• combinedMask

detectMode參數介紹

在引擎初始化的時候，須要選擇video或image模式，在接口頭文件中定義了宏ASF_DETECT_MODE_VIDEO、ASF_DETECT_MODE_IMAGE，根據須要的模式傳入便可。video模式對應人臉追蹤算法（FT），image模式對應人臉檢測算法（FD），關於FT/FD算法的區別能夠參考虹軟AI 人臉識別SDK接入 — 參數優化篇（1） 經過測試數據，我的感受image模式下的數據更能準確的體現算法的能力，下面關於其餘參數的介紹均在image模式下進行；

測試機器硬件配置：

• 處理器：Intel(R)Corei5-7400 CPU @ 3.00GHZ 300GHZ
• 安裝內存(RAM)：16.00GB(15.9GB可用)
• 系統類型：win-10 64位操做系統

參數介紹：

1、detectFaceMaxNum參數說明

1.1 推薦值

初始化接口中detectFaceMaxNum參數的設置決定ASFDetectFaces（FT/FD）接口單幀圖片容許檢測的最大人臉數，官網推薦最大值不超過50，雖然能夠設置更大的值，可是沒有必要，下面數據能夠說明；

1.2 檢測到的人臉數對應的性能消耗

測試用例：

1. 1280*720像素圖像數據；
2. 循環檢測100次取平均值；

• ASF_DETECT_MODE_IMAGE模式

• ASF_DETECT_MODE_VIDEO模式

經過以上數據能夠看出，image模式下圖片中人臉數越多單次檢測的耗時會越長，video模式下圖片中人臉數越多單次檢測的耗時也會有略微增長。綜上，detectFaceMaxNum參數的設置多少並不影響內存的分配以及性能的消耗，僅是設置算法單幀檢測的最大人臉數。

2、combinedMask參數說明

2.1 內存佔用

combinedMask參數是初始化引擎時傳入不一樣屬性功能組合，傳入的屬性越多引擎分配的內存越大。實際應用狀況下，傳入必需的屬性組合便可，傳入多餘屬性只會佔用內存。

下表數據是在測試其餘參數固定，只修改mask參數時初始化接口內存的佔用狀況（數據取自windows任務管理器）：

 

2.2 ASFInitEngine****接口與ASFProcess接口中combinedMask參數的關係

官方文檔對ASFProcess接口中combinedMask參數的解釋：

初始化中參數combinedMask與ASF_AGE | ASF_GENDER | ASF_FACE3DANGLE | ASF_LIVENESS交集的子集；

舉例說明：

例1：ASFInitEngine接口中傳入全屬性，則ASFProcess接口能夠傳入ASF_AGE、ASF_GENDER、 ASF_FACE3DANGLE、 ASF_LIVENESS四種屬性的任意組合。

例2：ASFInitEngine接口中傳入ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_AGE | ASF_GENDER ，則ASFProcess接口只能傳入ASF_AGE、 ASF_GENDER兩種屬性的任意組合。

2.3 cpu****佔用

cpu佔用受設備以及測試條件影響比較大，根據使用狀況ASF_AGE | ASF_GENDER | ASF_FACE3DANGLE對應的算法對cpu的消耗是比較少的，但ASF_LIVENESS是比較消耗cpu資源的，須要根據自身設備作對應處理。

2.4 ASFProcess****接口不一樣屬性的性能

測試用例：

1. 1280*720像素圖像數據；
2. 循環檢測100次取平均值；

測試代碼：

測試結果：

綜上所述，年齡、性別、3d角度的檢測是很是快的，活體檢測相對較慢。在實際應用中僅須要檢測ASF_AGE、ASF_GENDER、 ASF_FACE3DANGLE的話，能夠放在主線程中處理，但若是須要檢測ASF_LIVENESS建議單開線程去處理，這樣在video模式下不會出現卡幀的狀況，界面顯示比較流暢。

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