"""
DMS/OMS 图像传感器分辨率需求分析

关键算法所需分辨率：
1. 人脸关键点检测：128×128 足够
2. 眼睑开度估计：64×64 ROI 足够
3. 视线估计：需要高质量眼部区域
4. 情绪识别：128×128 足够
5. 多乘员检测：需要更大视场角

1.1MP = ~1260×896, 远超算法需求
"""

# DMS 各算法分辨率需求
ALGORITHM_RESOLUTION = {
    '人脸检测': {'min': (64, 64), 'recommended': (128, 128)},
    '眼睑开度': {'min': (32, 32), 'recommended': (64, 64)},
    '视线估计': {'min': (64, 64), 'recommended': (128, 128)},
    '头部姿态': {'min': (64, 64), 'recommended': (128, 128)},
    '情绪识别': {'min': (128, 128), 'recommended': (256, 256)},
    '乘员检测': {'min': (256, 256), 'recommended': (640, 480)},
    '多乘员': {'min': (640, 480), 'recommended': (1280, 720)},
}

print("=== DMS/OMS 算法分辨率需求 ===")
for algo, res in ALGORITHM_RESOLUTION.items():
    rec = res['recommended']
    total = rec[0] * rec[1]
    print(f"  {algo}: 推荐 {rec[0]}×{rec[1]} = {total:,} pixels")

print(f"\n  VD56GA 1.1MP = ~1,100,000 pixels")
print(f"  → 远超所有算法推荐分辨率")
print(f"  → 紧凑封装适合空间受限的座舱安装")

"""
VD56GA 输出模式选择策略

RAW 模式：
- 输出原始 Bayer 数据
- 需要外部 ISP 处理
- 优势：最大灵活性，自定义处理

YUV 模式：
- 输出已处理图像
- 无需外部 ISP
- 优势：降低系统成本和复杂度
"""

OUTPUT_MODE_STRATEGY = {
    'RAW': {
        '适合场景': '高端 DMS（需要自定义 ISP）',
        '优势': '最大图像质量灵活性',
        '劣势': '需要外部 ISP 芯片',
        '目标客户': 'Tier-1 自研算法',
    },
    'YUV': {
        '适合场景': '中端 DMS（直接送入 SoC）',
        '优势': '零外部处理，最低 BOM 成本',
        '劣势': '处理参数固定',
        '目标客户': '成本敏感型 OEM',
    },
    '混合策略': {
        '适合场景': '开发阶段 RAW → 量产 YUV',
        '优势': '开发灵活 + 量产低成本',
        '劣势': '需要双模式支持',
        '目标客户': '渐进式开发团队',
    }
}

for mode, info in OUTPUT_MODE_STRATEGY.items():
    print(f"\n=== {mode} 模式 ===")
    for key, value in info.items():
        print(f"  {key}: {value}")

"""
屏下 DMS 摄像头安装方案分析

VD56GA DeepNIR 优势：
1. 60% 更高 QE → 屏幕衰减后仍有足够信号
2. 内置 AE → 自动适应屏下低光环境
3. 紧凑封装 → 安装在方向盘后方/中控屏下方
4. 内置处理 → 减少 SoC 负载

对比传统方案：
- 传统 RGB-IR 摄像头：屏幕衰减后信号不足
- VD56GA DeepNIR：QE 提升补偿屏幕衰减
"""

# 屏下安装的光学衰减
SCREEN_ATTENUATION = {
    'OLED 透过率 (940nm)': 0.35,  # 35% 透过
    'LCD 透过率 (940nm)': 0.15,   # 15% 透过
    'Micro-LED 透过率 (940nm)': 0.60,  # 60% 透过
}

# VD56GA vs 传统传感器在屏下的有效信号
TRADITIONAL_QE = 0.30  # 传统传感器 QE
DEEPNIR_QE = 0.30 * 1.6  # DeepNIR 提升 60%

print("=== 屏下安装有效信号对比 ===")
for screen, trans in SCREEN_ATTENUATION.items():
    traditional_signal = TRADITIONAL_QE * trans
    deepnir_signal = DEEPNIR_QE * trans
    improvement = deepnir_signal / traditional_signal
    
    print(f"\n  {screen}:")
    print(f"    传统传感器: {traditional_signal:.3f}")
    print(f"    DeepNIR:    {deepnir_signal:.3f}")
    print(f"    提升:       {improvement:.1f}x")