3. 对焦窗口(Window)策略：固定窗口、多窗口、自适应窗口的配置方法与适用场景

对焦窗口，说白了就是告诉 ISP：「嘿，你就在这片区域里算对比度，别的地方别管。」

我刚开始调 AF 的时候，总觉得窗口越大越好——全图算对比度，信息量多，总该准吧？结果呢？背景里的树叶、天空的云、甚至镜头上的灰尘，全都在干扰对焦。后来我才明白，窗口选不对，算法再牛也白搭。

这一章，咱们就把三种窗口策略掰开揉碎。固定窗口、多窗口、自适应窗口，各自怎么配、什么时候用、坑在哪，我都会结合项目经验讲清楚。

3.1 固定窗口：简单可靠，但别乱用

固定窗口，就是预先在 sensor 输出图像上画一个矩形框，AF 算法只在这个框里算对比度。框的位置和大小，在代码里写死，运行时不变。

配置方法：

在 RK 平台的 HAL 层或 3A 库中，通常通过以下参数设置：

// RK AIQ 中固定窗口配置示例
struct rk_af_window {
    uint16_t h_offs;    // 水平偏移（像素）
    uint16_t v_offs;    // 垂直偏移（像素）
    uint16_t h_size;    // 窗口宽度（像素）
    uint16_t v_size;    // 窗口高度（像素）
};

// 典型配置：画面中央 1/4 区域
rk_af_window fixed_win = {
    .h_offs = 640,   // 假设全图 1920x1080
    .v_offs = 360,
    .h_size = 640,
    .v_size = 360
};

适用场景：

• 扫码枪/条码识别： 条码通常在画面中央，固定窗口最稳。
• 显微镜/工业检测： 被摄物体位置固定，窗口不需要动。
• 人脸解锁（前置固定焦）： 人脸基本在中央，固定窗口够用。

3.2 多窗口：多点探测，取最优

多窗口策略，就是在画面里放多个固定窗口，每个窗口独立算对比度，最后选对比度最高的那个窗口作为对焦依据。或者，也可以对多个窗口的对比度做加权融合。

配置方法：

RK 平台支持最多 9 个窗口（不同芯片略有差异）。配置时要注意窗口不能重叠，否则算力浪费。

// RK AIQ 多窗口配置示例
#define MAX_AF_WINDOWS 5

rk_af_window multi_wins[MAX_AF_WINDOWS] = {
    { .h_offs = 400, .v_offs = 200, .h_size = 300, .v_size = 300 },  // 左上
    { .h_offs = 1200, .v_offs = 200, .h_size = 300, .v_size = 300 }, // 右上
    { .h_offs = 400, .v_offs = 600, .h_size = 300, .v_size = 300 },  // 左下
    { .h_offs = 1200, .v_offs = 600, .h_size = 300, .v_size = 300 }, // 右下
    { .h_offs = 760, .v_offs = 400, .h_size = 400, .v_size = 280 }   // 中央
};

// 选择策略：取对比度最高的窗口
uint8_t select_best_window(uint32_t *contrast_values, uint8_t num_wins) {
    uint8_t best_idx = 0;
    for (uint8_t i = 1; i < num_wins; i++) {
        if (contrast_values[i] > contrast_values[best_idx]) {
            best_idx = i;
        }
    }
    return best_idx;
}

适用场景：

• 安防监控（固定枪机）： 画面里可能出现多个移动目标，多窗口能覆盖不同区域。
• 视频会议： 人物可能在画面左侧或右侧，多窗口能自动切换到有人的区域。
• 无人机航拍： 地面景物复杂，多窗口可以避免被单一高对比区域误导。

3.3 自适应窗口：动态跟随，智能裁剪

自适应窗口，就是窗口的位置和大小会随着画面内容变化。最常见的方式是配合人脸检测、物体跟踪或者显著性检测，实时调整窗口。

实现思路：

1. 检测阶段： 用 NPU 或 CPU 跑目标检测（人脸、人形、宠物等），得到目标框。
2. 映射阶段： 把目标框从检测坐标映射到 AF 窗口坐标（注意缩放和边界裁剪）。
3. 平滑阶段： 窗口位置做低通滤波，防止帧间抖动。
4. 回退策略： 如果检测丢失，回退到固定窗口或全图窗口。

// 自适应窗口平滑更新示例
typedef struct {
    int32_t x, y, w, h;   // 当前窗口
    float alpha;           // 平滑系数 (0.0 ~ 1.0)
} adaptive_window_t;

void update_adaptive_window(adaptive_window_t *win, 
                            int32_t det_x, int32_t det_y, 
                            int32_t det_w, int32_t det_h) {
    // 一阶低通滤波，防止窗口突变
    win->x = (int32_t)(win->alpha * win->x + (1 - win->alpha) * det_x);
    win->y = (int32_t)(win->alpha * win->y + (1 - win->alpha) * det_y);
    win->w = (int32_t)(win->alpha * win->w + (1 - win->alpha) * det_w);
    win->h = (int32_t)(win->alpha * win->h + (1 - win->alpha) * det_h);
    
    // 边界裁剪，防止窗口超出画面
    win->x = CLAMP(win->x, 0, IMAGE_WIDTH - win->w);
    win->y = CLAMP(win->y, 0, IMAGE_HEIGHT - win->h);
}

适用场景：

• 手机拍照/录像： 人脸或物体在画面里移动，窗口必须跟着走。
• 智能家居摄像头： 宠物满屋跑，自适应窗口能始终锁定它。
• 运动相机： 用户自拍时，人脸在画面里晃来晃去，固定窗口根本没法用。

3.4 三种策略对比

你想想看，如果场景固定，用自适应窗口就是杀鸡用牛刀；反过来，如果主体满屏跑，用固定窗口就是刻舟求剑。选哪种，得看你的产品定义。

3.5 窗口策略的进阶技巧

在实际项目中，我经常把三种策略组合起来用。举个例子：

• 混合策略： 自适应窗口为主，多窗口为辅。当自适应窗口的检测置信度低时，用多窗口投票结果做补充。
• 窗口权重动态调整： 根据场景亮度调整窗口权重。暗光下，中央窗口权重提高（因为边缘画质下降）；亮光下，边缘窗口权重提高（因为细节更丰富）。
• 窗口尺寸自适应： 检测到人脸大（近景），窗口缩小；人脸小（远景），窗口放大。这样可以避免窗口包含太多背景。

#define ALIGN_16(x)  (((x) + 15) & ~15)

3.6 本章知识结构

下面这张图，把三种窗口策略的核心逻辑和适用场景串起来了。你可以把它当作选型参考。