• AE调试(人脸场景)


    场景1:FACE + MT + HS

       

       调试Face亮度前,我们应该限确保MT+ HS没有大问题;MT+HS的调试参考前面。从DP信息中我们可以看到MT和HS的target比face小,face target为56,已经算是比较大的水平了。而当前face的距离是正常后置拍人距离,再看一下Face的权重只有17,当前场景较对比机偏暗,所以我们优先考虑增加人脸的权重来增加亮度。

       我们先看看Face size = 19,我们参数设置的是face size为5的时候权重是280,face size为23的时候权重是500。

       face Y值是38,大于Dark face的的上限37,所以此时的face final prob = FaceP_OE = FaceP_LocSize * OE_Prob

       看看OE的权重是多少,由于DP中没法看到OE的权重是多少,所以我们根据公司反推,即
       FaceP_OE = FaceP_LocSize * OE_Prob = 176
       FaceP_LocSize = (19 - 5)/ (23 - 5) * (500 - 280) + 280= 451
       OE_Prob = 176 / 451 * 1024 = 399
       根据OE参数设置可以反推我们的OE_Ratio,即OE_X1的值
       399 < 400,所以OE_Ratio大于20480
       如果OE_Prob大于400小于500的时候,OE_Ratio的计算方法如下:
       有:(20480 - OE_Ratio)/ (20480 - 10240)= (OE_Prob - 400) / (550 - 400)
       所以记过上面的计算,我们本来FaceP_LocSize= 451,但是去呗认为是OE face从而把face Prob降低,所以我们可以增大OE_X2和增大OE_Y1来实现增大OE_Prob,从而增大Face Fianl prob

       场景2:FACE + NS
       
       face Prob已经达到64了,对于后置来说超过50就算高了,所以这个场景想要提亮,不应该继续增加face的权重,而是Target。
       再调试夜景Face的时候,NS场景也应该大体达到稳定的情况。
       对于这种纯夜景下的face,如果想要增加亮度,在prob不增加的情况下,直接增加FaceNSLowBund即可。

  • 相关阅读:
    【mq】从零开始实现 mq-11-消费者消息回执添加分组信息 pull message ack groupName
    商业智能中的决策, 数据和数据处理方法
    C++图的建立---邻接矩阵-----邻接表
    JAVA接入OPC DA2.0详细流程
    并查集(Data Structure for Disjoint Sets)
    隆云通五要素微气象仪
    LeetCode允许重复选择元素的组合
    Java-堆和栈的概念和区别-1
    【基于C的排序算法】归并排序
    15.0_[Java 集合框架]-集合与框架
  • 原文地址:https://blog.csdn.net/m0_72053187/article/details/126042496