Face AE调试及其合理性分析

  • 在有人脸的情况下,我们有限考虑的应该是人脸亮度,但是也需要兼顾背景亮度,在我们人脸亮度可接受的范围内尽量确保背景不会过曝。

  • face AE调整的两大点:权重和Target,其中权重需要灵活调整,Target的调整一般不会太过于频繁,因为不管在什么养的环境亮度下,我们都希望人脸的亮度比较正常明亮,所已人脸的Target设置理论受环境亮暗影响不是很大,范围区间也比较小,那么如何让人脸亮度适应环境变化的需求呢?这时候就需要灵活的调整Face的权重了。

   Face Target的调整: 

      根据BV设置Target的范围,默认值40-50,建议最大值不要超过60,另外如果是NS场景,还会根据NS的face target降低Target的下限。

   Face Weight的调整:

   Face Weight有几个部分组成,首先根据Face size会得到一个Face size prob,它的调整根据我们实际拍摄情况来定,比如当我们人距离一定距离后我们不希望Face AE起作用,因为一定距离后人的主体性质已经减弱,我们希望考虑的是整体,看看这时候的face size是多少,可以将他作为下限;同理,当我们人离的比较近的时候,我们可能更多关注的是人脸,不怎么在一背景其他部分,这时候看看size是多少,可以设置为上限,一般情况下在默认参数的基础上进行微调即可。

  • face Location Prob一般不会进行调整,默认不管人脸在图片中的那个位置,其权重都是1024。

    上面这两个权重相乘就得到FaceP_LocSize,为了防止人脸过亮,在它的基础上又做了一些限制,来保证人脸亮度不出现大的问题,具体原理是,根据BV map出一个OE_BV prob,它的意思就是说,我在当前BV环境下不管人脸亮度十多少,认为人脸会出现过曝的概率是多少(ISP40没有这个Prob,可以认为都是1024)。然后根据统计信息统计得到的人脸OE_Raio * OE_BVProb去map得到最总的Face OE Prob,这一步呢最重要的就是u4OE_X和u4OE_Y的设置。u4OE_X的设置决定那什么亮度我们认为是OE的,u4OE_Y的设置决定了不同OE程度的场景我们取的Face OE Prob的大小它直接影响了OE场景人脸的亮度。

    OE检测之后会得到一个新的权重:FaceP_OE = FaceP_LocSize * OE_Prob,到这里上面所有的计算都体现在这个权重上面了。

     FaceP_OE得到之后,还会结合FCY模块调整最后的Face权重,FCY这个模块人脸亮度分成dark人脸和bright人脸两个情况分别处理,参数里面我们可以调整我们认为的Dark人脸亮度区间机,即FCY_DX和我们认为的Bright人脸亮度区间,即FCY_BX。这两个数组决定了两个人脸亮度区间的设置。另外FCY_DX值可以根据BV来进行调整,这个BV区间就是前面设置的我们什么亮度环境下会出现OE的BV区间,在ISP40里面没有这个参数设置,可以理解为对FCY_DX没有影响。区间设置好后设置face的权重区间,Final Face Prob的最小价值就是前面得到的FaceP_OE,所以OE程度决定了最小值,最大值是u4FCY_Y[0]*FaceP_LocSize,u4FCY_Y[0]一般都是取默认的1024。

  • FCY_BX和FCY_DX这两个数组四个值的设置,要结合实际情况,如果人脸亮度落在DX区域我们像对他进行压暗,我们可以降低FCY_DX[1]来实现,如果像提亮,我们可以增大FCY_DX[1]或者增大FaceP_OE来实现。如果人脸亮度落在FCY_BX区,可以通过增大FaceP_OE和减小FCY_BX[1]来实现人脸提亮或者减小FaceP_OE和增大FCY_BX[1]来实现降低人脸亮度等等。

 

 

人脸识别在现代社会中被广泛应用于安全监控、身份识别等领域,并且其准确度和便利性逐渐提升,得到了广泛的关注和使用。然而,人脸识别技术也存在一些问题,其中之一就是公平性。 公平性是指人脸识别技术在使用过程中对各种人群的平等对待。由于人脸识别算法的训练数据可能存在偏差,如种族、性别等,导致在实际应用中对某些人群的识别准确度较低,从而引发公平性争议。 为了解决公平性问题,insightface等相关机构和技术人员进行了一系列的研究和改进。首先,他们致力于收集和使用多样化的训练数据,确保数据涵盖各种人群,防止训练数据中存在偏差。其次,在算法设计和模型训练方面,他们将公平性作为一个重要的考量因素,在模型中增加公平性相关的指标和约束条件。 此外,insightface和其他相关机构还注重对算法进行监测和评估,分析其对不同人群的识别准确度,并及时调整算法,减少可能存在的偏差。他们还通过提供公开的评估数据集和算法源代码,鼓励其他研究者和开发者参与公平性问题的研究和改进。 虽然insightface等机构在公平性问题上进行了积极探索和改进,但是人脸识别技术的公平性问题仍然存在难题。在今后的研究和实践中,仍需要更多的努力来提高算法的公平性,确保人脸识别技术在不歧视任何人群的前提下发挥应有的作用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

青春~飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值