4、Person Detection任务解析：任务定义、应用场景（如智能家居、安防）、挑战与评估指标
Person Detection（人员检测）是嵌入式视觉中最具代表性的任务之一，也是TFLite Micro官方示例Person Detection项目的核心目标。与通用图像分类不同，Person Detection并非要识别“这个人是谁”，而是要回答一个更基础的问题：“画面中是否存在人？”这一任务看似简单，但在资源受限的微控制器（MCU）上实现时，涉及模型设计、数据分布、硬件算力与实时性之间的多重权衡。本节将从任务定义出发，梳理其典型应用场景，剖析工程实现中的关键挑战，并给出科学的评估指标体系，帮助你在实际项目中建立正确的判断框架。
上图展示了Person Detection任务的核心框架：从任务定义出发，延伸到应用场景与核心挑战，最终汇聚到评估指标体系。下面我们将逐一展开分析。
4.1 任务定义：从图像分类到存在性检测
Person Detection在TFLite Micro示例中被形式化为一个二分类问题：给定一张输入图像，模型输出一个0~255之间的置信度值，超过预设阈值则判定为“有人”，否则为“无人”。这与ImageNet式的1000类分类有本质区别——它不关心人的身份、姿态或数量，只关心“人”这一语义类别是否出现在画面中。
官方示例采用MobileNetV1量化模型，输入为96×96像素的灰度图像（8位整型），输出为单个节点的量化值。模型结构经过特殊裁剪，使得参数量约300KB，RAM占用约80KB，能够在Cortex-M7等MCU上以约10帧/秒的速度运行。这种“窄而深”的模型设计思路，是为了在极低算力下保持足够的特征表达能力。
核心要点：Person Detection的本质是语义存在性判断，而非空间定位。它不需要输出边界框（那是Object Detection的任务），也不需要输出人体关键点（那是Pose Estimation的任务）。这种简化使得模型可以做到极小规模，适合在电池供电的嵌入式设备上常驻运行。
4.2 应用场景：从智能家居到安防监控
Person Detection的应用场景非常广泛，几乎所有需要“感知人是否存在”的物联网设备都可以受益。以下是三类典型场景的对比分析：
| 场景类别 | 典型设备 | 核心需求 | 环境特点 | 误报容忍度 |
|---|---|---|---|---|
| 智能家居 | 智能灯泡、空调、窗帘 | 人来灯亮、人走灯灭 | 室内、光照稳定 | 较低（误触发影响体验） |
| 安防监控 | IPC摄像头、门磁传感器 | 区域入侵、异常逗留报警 | 室外、光照多变 | 极低（漏报后果严重） |
| 智能家电 | 电视、冰箱、风扇 | 靠近唤醒、自动调节 | 室内、视角固定 | 中等（可手动关闭） |
在智能家居场景中，Person Detection通常与红外传感器（PIR）配合使用。PIR负责粗粒度的人体移动检测，当PIR触发后，再启动摄像头进行精确的Person Detection确认，从而降低误报率并节省功耗。在安防监控场景中，设备通常需要7×24小时运行，对漏报率的要求极为严格——一次漏报可能导致财产损失。而在智能家电场景中，检测结果用于调节设备状态，允许一定的误报，但要求响应延迟尽可能低。
4.3 核心挑战：算力、功耗与环境鲁棒性
在MCU上实现Person Detection，面临的挑战远比云端推理复杂。我们可以从三个维度来理解这些挑战：
4.3.1 算力与内存的硬约束
以STM32F746G-DISCO开发板为例，其内置的Cortex-M7内核主频为216MHz，RAM为320KB，Flash为1MB。TFLite Micro运行时本身需要约20KB RAM，模型权重占用约300KB Flash，留给中间特征图的内存空间极为有限。这意味着：
- 输入分辨率受限：96×96灰度图是经过反复权衡后的选择，更高分辨率会显著增加第一个卷积层的计算量。
- 量化精度损失：8位整型量化相比浮点模型会有1~2%的精度损失，但在MCU上这是必须接受的代价。
- 算子优化依赖：深度可分离卷积（Depthwise Separable Convolution）在CMSIS-NN库中获得了深度优化，但并非所有算子都有对应的优化实现。
4.3.2 功耗与实时性的平衡
电池供电设备要求平均功耗在毫瓦级。Person Detection模型虽然单次推理仅需约50ms，但如果以10帧/秒的频率持续运行，功耗依然可观。实际工程中通常采用事件驱动策略：默认处于低功耗待机状态，由PIR或定时器唤醒后进行推理。这种“休眠-唤醒”机制可以将平均功耗降低一个数量级。
4.3.3 环境鲁棒性
模型在实验室数据上表现良好，但部署到真实环境后往往面临以下问题：
- 光照变化：逆光、暗光、强光直射都会导致图像对比度剧烈变化。
- 遮挡与姿态：部分身体被家具遮挡、侧身、蹲下等姿态变化。
- 类人干扰：海报上的人像、人体模型、宠物等容易造成误报。
风险提示：在安防场景中，漏报（False Negative）的代价远高于误报（False Positive）。因此，在设置置信度阈值时，应优先保证召回率，而不是追求整体准确率。建议在部署前采集目标环境的真实数据，进行阈值校准。
4.4 评估指标：如何科学衡量检测性能
评估Person Detection模型，不能只看单一指标。以下是最常用的评估体系：
| 指标名称 | 计算公式 | 关注点 | 适用场景 |
|---|---|---|---|
| 准确率 (Accuracy) | (TP+TN)/(TP+TN+FP+FN) | 整体正确率 | 类别均衡时参考 |
| 精确率 (Precision) | TP/(TP+FP) | 误报率控制 | 智能家居（减少打扰） |
| 召回率 (Recall) | TP/(TP+FN) | 漏报率控制 | 安防（安全优先） |
| F1 Score | 2×P×R/(P+R) | 综合平衡 | 模型选型对比 |
| 推理延迟 | 端到端耗时(ms) | 实时性 | 交互式应用 |
| 峰值RAM占用 | 运行时最大内存 | 硬件可行性 | MCU选型 |
在TFLite Micro的Person Detection示例中，官方使用了一个自定义的评估脚本，在包含约2000张图片的测试集上计算准确率。但实际项目中，建议你构建自己的测试集，至少包含以下三类数据：
- 正样本：不同姿态、距离、光照条件下的人体图像。
- 负样本：空房间、家具、宠物、风景等无人图像。
- 难例样本：部分遮挡、模糊、类人物体等边界情况。
4.5 案例拆解：智能门铃的Person Detection调优
下面通过一个智能门铃项目的实际案例，展示如何应用上述评估指标进行工程调优。
项目背景：某团队开发一款电池供电的智能门铃，要求在访客靠近时自动唤醒并录像。硬件采用Cortex-M4 MCU（主频80MHz，RAM 128KB），使用TFLite Micro部署Person Detection模型。
初始现象：模型在官方测试集上准确率达92%，但部署后用户反馈“有人经过不触发”和“风吹树叶乱触发”的问题并存。
分析过程：团队采集了门铃安装位置一周的真实数据，共标注了1500帧图像。统计发现：
- 真实正样本中，有30%的人体只占画面高度的20%~40%（远距离），而训练集中该比例仅为10%。
- 负样本中，树木晃动、车辆灯光造成的误报占所有误报的70%。
关键参数调整：
# 原始配置
detection_threshold = 128 # 0~255置信度阈值
# 调整后配置
detection_threshold = 100 # 降低阈值以提高召回率
min_detection_interval = 3 # 连续3帧确认才触发，过滤瞬时误报
实际操作步骤：
- 将阈值从128降至100，召回率从78%提升至91%，但误报率从5%升至12%。
- 引入“连续N帧确认”机制，要求连续3帧都检测到人才触发，误报率降至3%。
- 在模型输入前增加简单的光照归一化预处理，提升暗光环境下的检测稳定性。
结果对比：
| 配置 | 召回率 | 误报率 | 平均响应延迟 |
|---|---|---|---|
| 初始配置 | 78% | 5% | 0.8s |
| 仅降阈值 | 91% | 12% | 0.8s |
| 降阈值+帧确认 | 89% | 3% | 1.2s |
风险与代价：帧确认机制将响应延迟从0.8s增加到1.2s，对于快速走动的访客可能错过最佳拍摄时机。团队最终采用“快速唤醒+延迟确认”策略：第一帧检测到人立即唤醒摄像头，但录像上传前需经过3帧确认，兼顾了响应速度与误报控制。
复盘经验：模型在公开数据集上的表现不能代表真实场景。部署前必须采集目标环境的代表性数据，并针对性地调整阈值和后处理逻辑。评估指标的选择应服务于产品需求——安防场景优先召回率，交互场景优先精确率，而延迟和功耗则是所有嵌入式场景的硬约束。
经验总结：Person Detection项目的成功，20%取决于模型训练，80%取决于部署后的调优。建议建立“数据采集→离线评估→现场测试→参数调整”的闭环流程，持续迭代优化。
4.6 常见误区与总结复盘
在Person Detection项目的开发中，以下误区值得特别注意：
- 误区一：追求过高的准确率。在类别不平衡的数据集上（如99%为无人帧），准确率会虚高，掩盖漏报问题。应关注混淆矩阵中的FN和FP。
- 误区二：忽视量化影响。8位量化在边缘设备上是必须的，但量化后的模型需要重新评估，不能直接沿用浮点模型的阈值。
- 误区三：静态阈值一刀切。不同时间段（白天/夜晚）、不同场景（室内/室外）的最佳阈值可能不同，可考虑根据环境光传感器动态调整阈值。
- 误区四：忽略后处理逻辑。模型输出只是原始信号，帧间滤波、去抖、事件触发等后处理逻辑对最终用户体验影响巨大。
总结而言，Person Detection任务虽然定义简单，但在嵌入式场景中需要综合考虑模型设计、硬件约束、环境适应性和产品需求。科学的评估指标体系是指导工程决策的基础，而持续的数据闭环调优则是保证实际效果的关键。掌握本节内容，你将能够为后续的TFLite Micro模型部署与优化打下坚实的理论基础。