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，感觉还是很不错的，但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基本一样），希望能更好的帮助各位接入虹软的人脸识别算法。

本文主要分析以下两个参数：

• detectFaceMaxNum
• combinedMask

detectMode参数介绍

       在引擎初始化的时候，需要选择video或image模式，在接口头文件中定义了宏ASF_DETECT_MODE_VIDEO、ASF_DETECT_MODE_IMAGE，根据需要的模式传入即可。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算法的区别可以参考虹软AI 人脸识别SDK接入 — 参数优化篇（1） 通过测试数据，个人感觉image模式下的数据更能准确的体现算法的能力，下面关于其他参数的介绍均在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位操作系统

参数介绍：

一、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）接口单帧图片允许检测的最大人脸数，官网推荐最大值不超过50，虽然可以设置更大的值，但是没有必要，下面数据可以说明；

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

单帧图片中人脸数	耗时(ms)
1	16
2	21
4	167
8	186
16	289

• ASF_DETECT_MODE_VIDEO模式

单帧图片中人脸数	耗时(ms)
1	3
2	4
4	4
8	4
16	5

       通过以上数据可以看出，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加。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。

二、combinedMask参数说明

2.1 内存占用

       combinedMask参数是初始化引擎时传入不同属性功能组合，传入的属性越多引擎分配的内存越大。实际应用情况下，传入必需的属性组合即可，传入多余属性只会占用内存。

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

ASFInitEngine(ASF_DETECT_MODE_IMAGE, ASF_OP_0_ONLY, 32, 5, combinedMask, &handle);

combinedMask	内存占用（KB）	对应算法接口
全属性	121,148	全接口
无属性	4,920	无
ASF_FACE_DETECT	44,424	ASFDetectFaces
ASF_FACERECOGNITION	27,564	ASFFaceFeatureExtract ASFFaceFeatureCompare
ASF_AGE	23,008	ASFProcess/ASFGetAge
ASF_GENDER	23,316	ASFProcess/ASFGetGender
ASF_FACE3DANGLE	20,484	ASFProcess/ASFGetFace3DAngle
ASF_LIVENESS	53,200	ASFProcess/ASFGetLivenessScore

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接口可以传入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，根据使用情况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，需要根据自身设备做对应处理。

2.4 ASFProcess接口不同属性的性能

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：

LARGE_INTEGER  litmp;

LONGLONG  QPart = 0, QPart1 = 0, QPart2 = 0;

QueryPerformanceFrequency(&litmp);   //获得时钟频率

QPart = litmp.QuadPart;

//获得开始时CPU嘀哒声

QueryPerformanceCounter(&litmp);//获得时钟初始值

QPart1 = litmp.QuadPart;

//这里要计算的的代码执行的时间

for (int i = 0; i<100; i++)

{

         res = ASFProcess(handle, cutImg1->width, cutImg1->height, ASVL_PAF_RGB24_B8G8R8, (MUInt8*)cutImg1->imageData, &detectedFaces1, processMask);

}

QueryPerformanceCounter(&litmp);     //获得时钟终止值

QPart2 = litmp.QuadPart;

//计算时间差(ms)

double time = (double)(QPart2 - QPart1) / (double)QPart * 1000;

printf("time = %lf\n", time);

测试结果

combinedMask参数	性能（ms）
ASF_AGE/ASF_GENDER/ ASF_FACE3DANGLE/ASF_LIVENESS	193
ASF_AGE	29
ASF_GENDER	13
ASF_FACE3DANGLE	7
ASF_LIVENESS	169

       综上所述，年龄、性别、3d角度的检测是非常快的，活体检测相对较慢。在实际应用中仅需要检测ASF_AGE、ASF_GENDER、 ASF_FACE3DANGLE的话，可以放在主线程中处理，但如果需要检测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情况，界面显示比较流畅。

 

如果想下载虹软sdk的话，可以去https://ai.arcsoft.com.cn/product/arcface.html?utm_source=bky&utm_medium=referral