性能优化

ID-Scanner-Lib 提供了多种性能优化选项，帮助您在不同设备和网络环境下获得最佳体验。本文档将介绍如何优化库的性能，减少资源消耗，提高识别速度。

图像处理优化

图像尺寸控制

较大的图像会增加处理时间和内存消耗。可以通过以下方式控制图像尺寸：

import { IDScanner } from "id-scanner-lib"

const scanner = new IDScanner({
  idCard: {
    ocr: {
      // 限制处理图像的最大尺寸
      maxImageDimension: 1000,
    },
  },
})

图像预处理

根据实际需求调整图像预处理参数：

const idCardModule = scanner.getIDCardModule({
  imageProcessing: {
    // 仅应用必要的预处理步骤
    preprocess: true,
    enhance: true,
    denoise: false, // 如果图像质量较好，可以禁用降噪
    binarize: false, // 二值化可能在某些场景下不需要
  },
})

缓存策略

ID-Scanner-Lib 内置了 LRU 缓存机制，可以避免重复处理相同的图像：

const scanner = new IDScanner({
  idCard: {
    ocr: {
      // 启用结果缓存
      enableCache: true,
      // 设置缓存大小
      cacheSize: 50,
    },
  },
})

Web Workers 多线程处理

启用 Web Workers 可以将计算密集型任务移至后台线程，避免阻塞主线程：

const scanner = new IDScanner({
  useWorker: true,
  workerOptions: {
    maxConcurrency: 2, // 最大并发 Worker 数量
    terminateAfterIdle: true, // 空闲后自动终止 Worker
    idleTimeout: 30000, // Worker 空闲 30 秒后终止
  },
})

详细信息请参阅 Web Workers 多线程处理。

模型选择

针对不同设备性能选择合适的模型：

import { IDScanner, DevicePerformance } from "id-scanner-lib"

// 检测设备性能
const devicePerformance = DevicePerformance.detect()

const scanner = new IDScanner({
  face: {
    detector: {
      // 根据设备性能选择模型
      modelSize: devicePerformance.isLowEnd ? "tiny" : "full",
    },
  },
})

按需加载

只初始化和加载需要使用的模块：

const scanner = new IDScanner({
  // 只启用需要的模块
  enableIDCard: true,
  enableQRCode: false,
  enableFace: false,
})

资源释放

不再使用时，及时释放资源：

// 使用完毕后释放资源
await scanner.dispose()

性能监控

ID-Scanner-Lib 提供了性能监控功能，帮助您识别性能瓶颈：

import { IDScanner, PerformanceMonitor } from "id-scanner-lib"

// 创建性能监控实例
const monitor = new PerformanceMonitor()

// 监听性能事件
scanner.on("performance", (stats) => {
  console.log("处理时间:", stats.processingTime)
  console.log("内存使用:", stats.memoryUsage)
})

// 获取性能报告
const report = monitor.getReport()
console.log(report)

环境适配

根据不同环境自动调整配置：

const scanner = new IDScanner({
  adaptiveConfig: true,
  environmentProfiles: {
    // 桌面高性能配置
    desktop: {
      recognitionMode: "accurate",
      useWorker: true,
      workerCount: 4,
    },
    // 移动设备配置
    mobile: {
      recognitionMode: "balanced",
      useWorker: true,
      workerCount: 1,
      optimizeForBattery: true,
    },
    // 低端设备配置
    lowEnd: {
      recognitionMode: "fast",
      useWorker: false,
      lowResolutionModel: true,
    },
  },
})

性能优化最佳实践

1. 选择合适的模型：对于移动设备，使用轻量级模型
2. 按需初始化：只初始化需要使用的模块
3. 资源释放：不使用时调用 dispose() 方法释放资源
4. 设置合理的扫描频率：根据设备性能调整 scanFrequency
5. 减少同时检测的人脸数：通过 maxFaces 限制
6. 仅加载需要的特性：如不需要表情识别，将 withAttributes 设为 false
7. 优化图像尺寸：处理前调整图像尺寸，减少内存占用
8. 使用 Web Workers：将计算密集型任务移至后台线程
9. 启用缓存：避免重复处理相同的图像
10. 渐进增强：根据设备能力启用高级特性