摘要：引言使用了免費的人臉識別算法，感覺還是很不錯的，但是初次接觸的話會對一些接口的參數有些疑問的。這里分享一下我對一些參數的驗證結果這里以版本為例，基本一樣，希望能更好的幫助各位接入虹軟的人臉識別算法。

使用了免費的人臉識別算法，感覺還是很不錯的，但是初次接觸的話會對一些接口的參數有些疑問的。這里分享一下我對一些參數的驗證結果（這里以windows版本為例，linux、android基本一樣），希望能更好的幫助各位接入虹軟的人臉識別算法。
本文主要分析以下兩個參數：
? detectFaceMaxNum
? combinedMask
detectMode參數介紹
在引擎初始化的時候，需要選擇video或image模式，在接口頭文件中定義了宏ASF_DETECT_MODE_VIDEO、ASF_DETECT_MODE_IMAGE，根據需要的模式傳入即可。video模式對應人臉追蹤算法（FT），image模式對應人臉檢測算法（FD），關于FT/FD算法的區別可以參考虹軟AI 人臉識別SDK接入 — 參數優化篇（1） 通過測試數據，個人感覺image模式下的數據更能準確的體現算法的能力，下面關于其他參數的介紹均在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位操作系統
參數介紹：

1.1 推薦值

   初始化接口中detectFaceMaxNum參數的設置決定ASFDetectFaces（FT/FD）接口單幀圖片允許檢測的最大人臉數，官網推薦最大值不超過50，雖然可以設置更大的值，但是沒有必要，下面數據可以說明；

1.2 檢測到的人臉數對應的性能消耗
測試用例：

1280*720像素圖像數據；

循環檢測100次取平均值；

? ASF_DETECT_MODE_IMAGE模式

? ASF_DETECT_MODE_VIDEO模式

通過以上數據可以看出，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加。綜上，detectFaceMaxNum參數的設置多少并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。

2.1 內存占用
combinedMask參數是初始化引擎時傳入不同屬性功能組合，傳入的屬性越多引擎分配的內存越大。實際應用情況下，傳入必需的屬性組合即可，傳入多余屬性只會占用內存。
下表數據是在測試其他參數固定，只修改mask參數時初始化接口內存的占用情況（數據取自windows任務管理器）：
ASFInitEngine(ASF_DETECT_MODE_IMAGE, ASF_OP_0_ONLY, 32, 5, combinedMask, &handle);

2.2 ASFInitEngine接口與ASFProcess接口中combinedMask參數的關系

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接口可以傳入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占用

   cpu占用受設備以及測試條件影響比較大，根據使用情況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，需要根據自身設備做對應處理。

2.4 ASFProcess接口不同屬性的性能
測試用例：

1280*720像素圖像數據；

循環檢測100次取平均值；

測試代碼：

LARGE_INTEGER  litmp;
LONGLONG  QPart = 0, QPart1 = 0, QPart2 = 0;
QueryPerformanceFrequency(&litmp);    //獲得時鐘頻率
QPart = litmp.QuadPart;
//獲得開始時CPU嘀噠聲
QueryPerformanceCounter(&litmp);//獲得時鐘初始值
QPart1 = litmp.QuadPart;

//這里要計算的的代碼執行的時間
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);    //獲得時鐘終止值
QPart2 = litmp.QuadPart;
//計算時間差(ms)
double time = (double)(QPart2 - QPart1) / (double)QPart * 1000;
printf("time = %lf
", time);
測試結果

綜上所述，年齡、性別、3d角度的檢測是非常快的，活體檢測相對較慢。在實際應用中僅需要檢測ASF_AGE、ASF_GENDER、 ASF_FACE3DANGLE的話，可以放在主線程中處理，但如果需要檢測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情況，界面顯示比較流暢。

如果想要下載虹軟sdk可以到：https://ai.arcsoft.com.cn/pro...