引言
使用了虹软公司免费的人脸识别算法,感觉还是很不错的,当然,如果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:
- 1280*720像素图像数据;
- 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 |
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:
- 1280*720像素图像数据;
- 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 (
inti =
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/ |
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