车牌反光率高，补光时容易过曝；车内光线弱，需要更多曝光。解决思路：多路 ISP 对不同 ROI 使用不同参数，或后期用 HDR/多帧融合技术。
从大华荧光相机到宇视科技——一个图像算法工程师的行业落地思考
无特殊要求。本文所有内容都源自一线工程经验，0 基础可理解。
💡 本课程是全系列的热身第一节，与后续 KF 数学无关，重在建立"行业认知"。
杨熙丞，图像算法工程师。本科和硕士毕业于浙江工业大学，先后就职于大华科技（图像算法工程师）和宇视科技（图像算法工程师），在安防行业深耕多年。
主要工作内容：安防摄像头上的图像算法设计、嵌入式算法部署、画质增强相关业务。
抓拍相机就是我们开车经过路口时"闪一下"的那个设备——它抓拍车辆及车内图像作为交通执法的依据。
用 AI 技术赋能 ISP（Image Signal Processor，图像信号处理器），在极低照度（80 lux）下实现清晰抓拍。大华将其包装为"银质暗光引擎技术"。
💡 业界宣传 vs 技术本质：
这是杨工详细展开的核心算法案例——一个典型的工业级图像算法系统。
| 难点 | 解决思路 |
|---|---|
| 成对数据难以收集 | 合成噪声（高斯噪声/ELD 噪声模型）、大模型蒸馏、闪光灯/非闪光灯同时拍摄 |
| 嵌入式 NPU 算力有限 | 只能用卷积类简单结构（单帧 200-300ms），复杂算子/大模型无法部署 |
| 无成对数据的图像翻译任务（车牌/彩虹膜） | CycleGAN + 注意力机制，保证背景一致性的前提下转换前景 |
杨工详细拆解了工业界算法落地的完整流程：
完整链路：需求评估 → 算法调研 → 数据收集 → 仿真验证 → 评审 → 算法部署 → 接口联调 → 测试验收 → 现场运维
💡 与学校的核心差异：学校从模型到论文只要效果好就行；公司里从需求到部署再到运维，每个环节都不可或缺。耗时、算力、Corner Case 处理比论文指标更重要。
采用分光棱镜将一束光分为两路：一路近红外（夜晚效果好但无颜色），一路可见光（有颜色但有噪声），两路 ISP 处理后融合。同样技术也用在医疗内窥镜（荧光内窥镜）领域。
夜晚红灯因过曝拍出来是黄色，需要算法"涂红"。流程：粗定位 → YOLO 检测 → 二次确认（区分红/黄）→ 涂色。看起来简单但全国各点位泛化很难。
| 岗位 | 职责 |
|---|---|
| 项目经理 | 统筹协调整个项目 |
| 应用软件工程师 | 开发上层业务功能 |
| 系统软件工程师 | 底层 Linux 驱动、系统配置 |
| 图像调试工程师 | 3A 策略、ISP 参数调试（几百个参数） |
| 图像算法工程师 | 开发特定领域图像算法 |
| 测试工程师 | 质量把关 |
| 技术支持工程师 | 现场问题处理与反馈 |
| 维度 | 学校（论文） | 公司（产品） |
|---|---|---|
| 核心指标 | PSNR/SSIM 等客观指标 | 客户满意、领导认可 |
| 算法耗时 | 一般不在意 | 极为重要（多算法抢 NPU 资源） |
| Corner Case | 不太关注 | 占 80% 时间（难处理的数据） |
| 评判标准 | 论文指标提升 | 客户不投诉、领导点头 |
| 代码实现 | Python/Matlab 仿真即可 | C++ 嵌入式部署、模型量化 |
| 开发周期 | 按论文节奏 | 按项目里程碑、Sprint |
📌 Corner Case 的重要性："大部分时间其实都在花在这个上面。简单场景很容易就达到了，但重点是要处理那些很难的地方。"——杨熙丞
杨工的校招建议：
| 岗位要求 | 对应技能 |
|---|---|
| C/C++ | 算法部署 |
| Python | 算法仿真 |
| 图像算法 | 论文检索、文献阅读 |
| 深度学习 | 相关项目经验 |
| 视频处理 | 增强/复原/拼接/融合 |
【业务理解】为什么低照度下车牌容易过曝，而车内人脸却看不清？如果两种区域需要不同的曝光参数，如何在一张照片上同时兼顾？
车牌反光率高，补光时容易过曝；车内光线弱，需要更多曝光。解决思路：多路 ISP 对不同 ROI 使用不同参数，或后期用 HDR/多帧融合技术。
【工程思维】论文中提升算法指标（如 PSNR +0.5dB）和公司中解决 Corner Case，哪个在实际产品中更重要？为什么？
在公司中解决 Corner Case 更重要。因为主流场景大部分算法都能做好，但一个没处理好的极端 case 可能导致客户投诉甚至法律问题。指标提升 0.5dB 在用户感知上几乎无差别。
【流程理解】一个算法从论文到产品，需要经过哪些环节？哪个环节最容易被低估？
需求→调研→数据→仿真→评审→部署→联调→测试→运维。部署环节最容易被低估——模型量化带来的精度损失、算子不支持、NPU 算力限制等，都可能导致算法无法落地。
荧光抓拍、车窗增强、车牌/彩虹膜处理、红绿灯涂色——都是日常安防场景
论文指标 ≠ 产品效果。耗时、算力、Corner Case 才是产品重点
0001 研究共同体与方向地图——从"行业认知"进入"学术研究"的全局导航
施老师大课堂 · 特邀分享 · 杨熙丞：图像算法在安防行业的应用
字幕来源：subtitles/20251025_杨熙丞_图像算法安防应用.srt