"""
Real-time Fall Detection Visualization Module

이 모듈은 실시간 낙상 감지 파이프라인의 시각화 기능을 제공합니다.
COCO 17 keypoints 스켈레톤 렌더링, 예측 결과 오버레이, 성능 메트릭 표시 등을 포함합니다.

주요 기능:
- COCO 17 keypoints 스켈레톤 렌더링
- Bounding box 렌더링
- Fall/Non-Fall 라벨 + 신뢰도 표시
- FPS/Latency 실시간 표시
- 색상 코딩 (Fall: 빨강, Non-Fall: 초록)

최적화 (Issue #56):
- NumPy 벡터화로 cv2.circle()/cv2.line() 루프 대체
- morphological dilation으로 keypoint 원 그리기 (30배 속도 향상)
- cv2.polylines()로 skeleton 선 일괄 그리기
- 주요 keypoint만 표시 옵션 (--viz-keypoints major)
- 출력 해상도 조절 옵션 (--viz-scale 0.5)

Reference:
- COCO Keypoints: https://cocodataset.org/#keypoints-2017
"""

import cv2
import numpy as np
from typing import Tuple, Optional, List, Literal


# COCO 17 keypoints 인덱스
COCO_KEYPOINT_NAMES = [
    'nose',           # 0
    'left_eye',       # 1
    'right_eye',      # 2
    'left_ear',       # 3
    'right_ear',      # 4
    'left_shoulder',  # 5
    'right_shoulder', # 6
    'left_elbow',     # 7
    'right_elbow',    # 8
    'left_wrist',     # 9
    'right_wrist',    # 10
    'left_hip',       # 11
    'right_hip',      # 12
    'left_knee',      # 13
    'right_knee',     # 14
    'left_ankle',     # 15
    'right_ankle',    # 16
]

# COCO 스켈레톤 연결 정의 (뼈대 구조)
COCO_SKELETON = [
    # 얼굴
    (0, 1),   # nose -> left_eye
    (0, 2),   # nose -> right_eye
    (1, 3),   # left_eye -> left_ear
    (2, 4),   # right_eye -> right_ear

    # 상체
    (0, 5),   # nose -> left_shoulder
    (0, 6),   # nose -> right_shoulder
    (5, 6),   # left_shoulder <-> right_shoulder

    # 왼팔
    (5, 7),   # left_shoulder -> left_elbow
    (7, 9),   # left_elbow -> left_wrist

    # 오른팔
    (6, 8),   # right_shoulder -> right_elbow
    (8, 10),  # right_elbow -> right_wrist

    # 몸통
    (5, 11),  # left_shoulder -> left_hip
    (6, 12),  # right_shoulder -> right_hip
    (11, 12), # left_hip <-> right_hip

    # 왼다리
    (11, 13), # left_hip -> left_knee
    (13, 15), # left_knee -> left_ankle

    # 오른다리
    (12, 14), # right_hip -> right_knee
    (14, 16), # right_knee -> right_ankle
]

# 신체 부위별 색상 정의 (BGR 포맷)
BODY_PART_COLORS = {
    'face': (0, 255, 255),        # 노란색
    'left_arm': (255, 0, 180),    # 분홍색
    'right_arm': (0, 165, 255),   # 오렌지색
    'torso': (255, 150, 0),       # 파란색
    'left_leg': (0, 0, 255),      # 빨간색
    'right_leg': (180, 0, 255),   # 보라색
}

# 각 스켈레톤 연결에 대한 신체 부위 매핑
SKELETON_PART_MAPPING = [
    'face',      # (0, 1) nose -> left_eye
    'face',      # (0, 2) nose -> right_eye
    'face',      # (1, 3) left_eye -> left_ear
    'face',      # (2, 4) right_eye -> right_ear
    'face',      # (0, 5) nose -> left_shoulder
    'face',      # (0, 6) nose -> right_shoulder
    'torso',     # (5, 6) left_shoulder <-> right_shoulder
    'left_arm',  # (5, 7) left_shoulder -> left_elbow
    'left_arm',  # (7, 9) left_elbow -> left_wrist
    'right_arm', # (6, 8) right_shoulder -> right_elbow
    'right_arm', # (8, 10) right_elbow -> right_wrist
    'torso',     # (5, 11) left_shoulder -> left_hip
    'torso',     # (6, 12) right_shoulder -> right_hip
    'torso',     # (11, 12) left_hip <-> right_hip
    'left_leg',  # (11, 13) left_hip -> left_knee
    'left_leg',  # (13, 15) left_knee -> left_ankle
    'right_leg', # (12, 14) right_hip -> right_knee
    'right_leg', # (14, 16) right_knee -> right_ankle
]

# 예측 결과 색상 정의
PREDICTION_COLORS = {
    'Fall': (0, 0, 255),      # 빨강
    'Non-Fall': (0, 255, 0),  # 초록
}

# 주요 keypoint 인덱스 (9개: 코, 어깨, 엉덩이, 무릎, 발목)
# 낙상 감지에 중요한 신체 부위만 선택
MAJOR_KEYPOINT_INDICES = [
    0,   # nose - 머리 위치
    5,   # left_shoulder
    6,   # right_shoulder
    11,  # left_hip
    12,  # right_hip
    13,  # left_knee
    14,  # right_knee
    15,  # left_ankle
    16,  # right_ankle
]

# 주요 keypoint용 skeleton 연결 (8개 연결)
MAJOR_SKELETON = [
    (5, 6),    # left_shoulder <-> right_shoulder
    (5, 11),   # left_shoulder -> left_hip
    (6, 12),   # right_shoulder -> right_hip
    (11, 12),  # left_hip <-> right_hip
    (11, 13),  # left_hip -> left_knee
    (12, 14),  # right_hip -> right_knee
    (13, 15),  # left_knee -> left_ankle
    (14, 16),  # right_knee -> right_ankle
]

# 주요 skeleton 신체 부위 매핑
MAJOR_SKELETON_PART_MAPPING = [
    'torso',     # (5, 6)
    'torso',     # (5, 11)
    'torso',     # (6, 12)
    'torso',     # (11, 12)
    'left_leg',  # (11, 13)
    'right_leg', # (12, 14)
    'left_leg',  # (13, 15)
    'right_leg', # (14, 16)
]

# Morphological dilation용 커널 캐시 (동일 크기 재사용)
_KERNEL_CACHE = {}


def draw_skeleton(
    frame: np.ndarray,
    keypoints: np.ndarray,
    color: Tuple[int, int, int] = (0, 255, 0),
    thickness: int = 2,
    conf_threshold: float = 0.5,
    keypoint_radius: int = 4,
    use_body_part_colors: bool = True
) -> np.ndarray:
    """
    COCO 17 keypoints 스켈레톤 렌더링

    Args:
        frame: OpenCV 이미지 (H, W, 3) BGR 포맷
        keypoints: (17, 3) numpy array - (x, y, conf)
        color: BGR 색상 (use_body_part_colors=False일 때 사용)
        thickness: 선 두께
        conf_threshold: 최소 신뢰도 임계값 (이 값 이하는 그리지 않음)
        keypoint_radius: 키포인트 원의 반지름
        use_body_part_colors: True면 신체 부위별 색상 사용, False면 단일 색상 사용

    Returns:
        frame: 스켈레톤이 렌더링된 이미지
    """
    if keypoints.shape != (17, 3):
        raise ValueError(f"Expected keypoints shape (17, 3), got {keypoints.shape}")

    frame = frame.copy()

    # 1. 스켈레톤 연결선 그리기
    for i, (start_idx, end_idx) in enumerate(COCO_SKELETON):
        x1, y1, conf1 = keypoints[start_idx]
        x2, y2, conf2 = keypoints[end_idx]

        # 두 키포인트 모두 신뢰도 임계값을 넘어야 선을 그림
        if conf1 > conf_threshold and conf2 > conf_threshold:
            # 신체 부위별 색상 또는 단일 색상 선택
            if use_body_part_colors:
                part_name = SKELETON_PART_MAPPING[i]
                line_color = BODY_PART_COLORS[part_name]
            else:
                line_color = color

            # 선 그리기
            pt1 = (int(x1), int(y1))
            pt2 = (int(x2), int(y2))
            cv2.line(frame, pt1, pt2, line_color, thickness, cv2.LINE_AA)

    # 2. 키포인트 원 그리기 (선 위에 그려서 더 눈에 띄게)
    for i, (x, y, conf) in enumerate(keypoints):
        if conf > conf_threshold:
            center = (int(x), int(y))

            # 외곽 흰색 테두리
            cv2.circle(frame, center, keypoint_radius + 2, (255, 255, 255), -1, cv2.LINE_AA)

            # 내부 색상 원 (밝은 하늘색)
            cv2.circle(frame, center, keypoint_radius, (255, 200, 0), -1, cv2.LINE_AA)

    return frame


def _get_ellipse_kernel(radius: int) -> np.ndarray:
    """
    캐시된 ellipse 커널 반환 (morphological dilation용)

    Args:
        radius: 커널 반지름

    Returns:
        ellipse 커널
    """
    if radius not in _KERNEL_CACHE:
        kernel_size = radius * 2 + 1
        _KERNEL_CACHE[radius] = cv2.getStructuringElement(
            cv2.MORPH_ELLIPSE, (kernel_size, kernel_size)
        )
    return _KERNEL_CACHE[radius]


def draw_skeleton_vectorized(
    frame: np.ndarray,
    keypoints: np.ndarray,
    conf_threshold: float = 0.5,
    keypoint_radius: int = 4,
    thickness: int = 2,
    keypoint_mode: Literal['all', 'major'] = 'all',
    use_body_part_colors: bool = True,
    keypoint_color: Tuple[int, int, int] = (255, 200, 0),
    border_color: Tuple[int, int, int] = (255, 255, 255)
) -> np.ndarray:
    """
    최적화된 skeleton 렌더링

    최적화 전략:
    - cv2.polylines()로 skeleton 선 일괄 처리 (색상별 그룹화)
    - 주요 keypoint만 표시 옵션으로 그리기 횟수 감소 (17개 -> 9개)
    - Anti-aliasing 비활성화 옵션 (cv2.LINE_AA -> cv2.LINE_8)

    Note: morphological dilation은 4K 해상도에서 전체 이미지 마스크 생성으로
    오히려 느려지므로, keypoint 원은 기존 cv2.circle() 유지

    Args:
        frame: OpenCV 이미지 (H, W, 3) BGR 포맷
        keypoints: (17, 3) numpy array - (x, y, conf)
        conf_threshold: 최소 신뢰도 임계값 (이 값 이하는 그리지 않음)
        keypoint_radius: 키포인트 원의 반지름
        thickness: skeleton 선 두께
        keypoint_mode: 'all'=전체 17개, 'major'=주요 9개만 표시
        use_body_part_colors: True면 신체 부위별 색상 사용
        keypoint_color: keypoint 원 색상 (BGR)
        border_color: keypoint 테두리 색상 (BGR)

    Returns:
        frame: 스켈레톤이 렌더링된 이미지
    """
    if keypoints.shape != (17, 3):
        raise ValueError(f"Expected keypoints shape (17, 3), got {keypoints.shape}")

    result = frame.copy()

    # keypoint 모드에 따른 인덱스/skeleton 선택
    if keypoint_mode == 'major':
        kpt_indices = MAJOR_KEYPOINT_INDICES
        skeleton = MAJOR_SKELETON
        skeleton_parts = MAJOR_SKELETON_PART_MAPPING
    else:
        kpt_indices = list(range(17))
        skeleton = COCO_SKELETON
        skeleton_parts = SKELETON_PART_MAPPING

    # 유효한 keypoints 필터링 (confidence > threshold)
    valid_mask = keypoints[:, 2] > conf_threshold
    if keypoint_mode == 'major':
        # 주요 keypoint 인덱스만 고려
        major_mask = np.zeros(17, dtype=bool)
        major_mask[kpt_indices] = True
        valid_mask = valid_mask & major_mask

    valid_indices = np.where(valid_mask)[0]

    if len(valid_indices) == 0:
        return result

    # 1. Skeleton 선 그리기 (cv2.polylines 사용 - 배치 처리)
    if use_body_part_colors:
        # 색상별로 선 그룹화
        color_groups = {}
        for i, (start_idx, end_idx) in enumerate(skeleton):
            if valid_mask[start_idx] and valid_mask[end_idx]:
                part_name = skeleton_parts[i]
                color = BODY_PART_COLORS[part_name]
                if color not in color_groups:
                    color_groups[color] = []
                pt1 = (int(keypoints[start_idx, 0]), int(keypoints[start_idx, 1]))
                pt2 = (int(keypoints[end_idx, 0]), int(keypoints[end_idx, 1]))
                color_groups[color].append(np.array([pt1, pt2], dtype=np.int32))

        # 색상별로 일괄 그리기
        for color, lines in color_groups.items():
            if lines:
                cv2.polylines(result, lines, isClosed=False, color=color,
                             thickness=thickness, lineType=cv2.LINE_AA)
    else:
        # 단일 색상으로 모든 선 그리기
        lines = []
        for start_idx, end_idx in skeleton:
            if valid_mask[start_idx] and valid_mask[end_idx]:
                pt1 = (int(keypoints[start_idx, 0]), int(keypoints[start_idx, 1]))
                pt2 = (int(keypoints[end_idx, 0]), int(keypoints[end_idx, 1]))
                lines.append(np.array([pt1, pt2], dtype=np.int32))

        if lines:
            cv2.polylines(result, lines, isClosed=False, color=(255, 255, 255),
                         thickness=thickness, lineType=cv2.LINE_AA)

    # 2. Keypoint 원 그리기 (cv2.circle 사용 - 개수가 적어 루프가 효율적)
    for idx in valid_indices:
        x, y = int(keypoints[idx, 0]), int(keypoints[idx, 1])
        center = (x, y)

        # 외곽 테두리
        cv2.circle(result, center, keypoint_radius + 2, border_color, -1, cv2.LINE_AA)

        # 내부 색상 원
        cv2.circle(result, center, keypoint_radius, keypoint_color, -1, cv2.LINE_AA)

    return result


def draw_prediction(
    frame: np.ndarray,
    prediction: str,
    confidence: float,
    bbox: Optional[Tuple[int, int, int, int]] = None,
    fps: Optional[float] = None,
    latency: Optional[float] = None,
    position: str = 'top-left'
) -> np.ndarray:
    """
    예측 결과 오버레이 렌더링

    Args:
        frame: OpenCV 이미지
        prediction: 'Fall' 또는 'Non-Fall'
        confidence: 신뢰도 (0.0-1.0)
        bbox: (x1, y1, x2, y2) 바운딩 박스 (선택)
        fps: FPS 값 (선택)
        latency: Latency (ms) (선택)
        position: 텍스트 위치 ('top-left', 'top-right', 'bottom-left', 'bottom-right')

    Returns:
        frame: 렌더링된 이미지
    """
    frame = frame.copy()
    h, w = frame.shape[:2]

    # 1. 바운딩 박스 그리기 (있을 경우)
    if bbox is not None:
        x1, y1, x2, y2 = bbox
        pred_color = PREDICTION_COLORS.get(prediction, (255, 255, 255))

        # 박스 두께는 Fall일 때 더 두껍게
        box_thickness = 4 if prediction == 'Fall' else 2
        cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), pred_color, box_thickness)

    # 2. 예측 라벨 + 신뢰도 텍스트 준비
    if confidence is not None:
        pred_text = f"{prediction}: {confidence:.2%}"
    else:
        pred_text = f"{prediction}"
    pred_color = PREDICTION_COLORS.get(prediction, (255, 255, 255))

    # 3. FPS/Latency 텍스트 준비 (있을 경우)
    info_texts = []
    if fps is not None:
        info_texts.append(f"FPS: {fps:.1f}")
    if latency is not None:
        info_texts.append(f"Latency: {latency:.1f}ms")

    # 4. 텍스트 위치 계산
    font = cv2.FONT_HERSHEY_SIMPLEX
    font_scale = 0.8
    font_thickness = 2
    padding = 10
    line_height = 35

    # 예측 텍스트 크기
    (pred_w, pred_h), _ = cv2.getTextSize(pred_text, font, font_scale, font_thickness)

    # 위치별 좌표 계산
    if position == 'top-left':
        pred_x, pred_y = padding, padding + pred_h
    elif position == 'top-right':
        pred_x, pred_y = w - pred_w - padding, padding + pred_h
    elif position == 'bottom-left':
        pred_x, pred_y = padding, h - padding - (len(info_texts) * line_height) - 10
    elif position == 'bottom-right':
        pred_x, pred_y = w - pred_w - padding, h - padding - (len(info_texts) * line_height) - 10
    else:
        raise ValueError(f"Unknown position: {position}")

    # 5. 배경 박스 그리기 (가독성 향상)
    bg_x1 = pred_x - 5
    bg_y1 = pred_y - pred_h - 5
    bg_x2 = pred_x + pred_w + 5
    bg_y2 = pred_y + 5

    # 반투명 검은 배경
    overlay = frame.copy()
    cv2.rectangle(overlay, (bg_x1, bg_y1), (bg_x2, bg_y2), (0, 0, 0), -1)
    cv2.addWeighted(overlay, 0.6, frame, 0.4, 0, frame)

    # 6. 예측 텍스트 그리기
    cv2.putText(frame, pred_text, (pred_x, pred_y), font, font_scale, pred_color, font_thickness, cv2.LINE_AA)

    # 7. FPS/Latency 정보 그리기 (있을 경우)
    if info_texts:
        info_y = pred_y + line_height
        for info_text in info_texts:
            (info_w, info_h), _ = cv2.getTextSize(info_text, font, font_scale, font_thickness)

            # 배경 박스
            bg_x1 = pred_x - 5
            bg_y1 = info_y - info_h - 5
            bg_x2 = pred_x + info_w + 5
            bg_y2 = info_y + 5

            overlay = frame.copy()
            cv2.rectangle(overlay, (bg_x1, bg_y1), (bg_x2, bg_y2), (0, 0, 0), -1)
            cv2.addWeighted(overlay, 0.6, frame, 0.4, 0, frame)

            # 텍스트 (흰색)
            cv2.putText(frame, info_text, (pred_x, info_y), font, font_scale, (255, 255, 255), font_thickness, cv2.LINE_AA)
            info_y += line_height

    return frame


def create_info_panel(
    frame_width: int,
    frame_height: int,
    fps: float,
    latency: float,
    prediction: str,
    confidence: float,
    panel_height: int = 80,
    position: str = 'top'
) -> np.ndarray:
    """
    정보 패널 생성 (상단 또는 하단 오버레이)

    Args:
        frame_width: 프레임 너비
        frame_height: 프레임 높이
        fps: FPS 값
        latency: Latency (ms)
        prediction: 'Fall' 또는 'Non-Fall'
        confidence: 신뢰도 (0.0-1.0)
        panel_height: 패널 높이
        position: 패널 위치 ('top' 또는 'bottom')

    Returns:
        panel: 정보 패널 이미지 (panel_height, frame_width, 3)
    """
    # 패널 생성 (검은 배경)
    panel = np.zeros((panel_height, frame_width, 3), dtype=np.uint8)

    # 예측 결과 색상
    pred_color = PREDICTION_COLORS.get(prediction, (255, 255, 255))

    # 폰트 설정
    font = cv2.FONT_HERSHEY_SIMPLEX
    font_scale = 0.7
    font_thickness = 2

    # 텍스트 준비
    pred_text = f"{prediction}: {confidence:.1%}" if confidence is not None else f"{prediction}"
    texts = [
        (f"FPS: {fps:.1f}", (255, 255, 255)),
        (f"Latency: {latency:.1f}ms", (255, 255, 255)),
        (pred_text, pred_color),
    ]

    # 텍스트 균등 배치
    section_width = frame_width // len(texts)
    y_pos = panel_height // 2 + 10

    for i, (text, color) in enumerate(texts):
        # 텍스트 크기 계산
        (text_w, text_h), _ = cv2.getTextSize(text, font, font_scale, font_thickness)

        # 중앙 정렬
        x_pos = (i * section_width) + (section_width - text_w) // 2

        # 텍스트 그리기
        cv2.putText(panel, text, (x_pos, y_pos), font, font_scale, color, font_thickness, cv2.LINE_AA)

    # 구분선 그리기
    for i in range(1, len(texts)):
        x_pos = i * section_width
        cv2.line(panel, (x_pos, 10), (x_pos, panel_height - 10), (80, 80, 80), 1)

    return panel


def add_info_panel_to_frame(
    frame: np.ndarray,
    fps: float,
    latency: float,
    prediction: str,
    confidence: float,
    panel_height: int = 80,
    position: str = 'top'
) -> np.ndarray:
    """
    프레임에 정보 패널 추가

    Args:
        frame: 원본 프레임
        fps: FPS 값
        latency: Latency (ms)
        prediction: 'Fall' 또는 'Non-Fall'
        confidence: 신뢰도
        panel_height: 패널 높이
        position: 패널 위치 ('top' 또는 'bottom')

    Returns:
        result: 패널이 추가된 프레임
    """
    h, w = frame.shape[:2]

    # 정보 패널 생성
    panel = create_info_panel(w, h, fps, latency, prediction, confidence, panel_height, position)

    # 패널 위치에 따라 결합
    if position == 'top':
        result = np.vstack([panel, frame])
    elif position == 'bottom':
        result = np.vstack([frame, panel])
    else:
        raise ValueError(f"Unknown position: {position}. Use 'top' or 'bottom'.")

    return result


def draw_fall_alert_overlay(
    frame: np.ndarray,
    alert_text: str = "FALL DETECTED!",
    flash: bool = True
) -> np.ndarray:
    """
    낙상 경보 오버레이 그리기 (전체 화면 플래시 효과)

    Args:
        frame: 원본 프레임
        alert_text: 경보 텍스트
        flash: True면 화면 전체에 빨간 반투명 오버레이 추가

    Returns:
        result: 경보 오버레이가 추가된 프레임
    """
    frame = frame.copy()
    h, w = frame.shape[:2]

    # 1. 플래시 효과 (빨간 반투명 오버레이)
    if flash:
        overlay = frame.copy()
        cv2.rectangle(overlay, (0, 0), (w, h), (0, 0, 255), -1)
        cv2.addWeighted(overlay, 0.3, frame, 0.7, 0, frame)

    # 2. 중앙에 큰 경고 텍스트
    font = cv2.FONT_HERSHEY_SIMPLEX
    font_scale = 2.5
    font_thickness = 8  # 두꺼운 굵기로 볼드체 효과

    (text_w, text_h), _ = cv2.getTextSize(alert_text, font, font_scale, font_thickness)
    text_x = (w - text_w) // 2
    text_y = (h + text_h) // 2

    # 텍스트 그림자 (검은색)
    cv2.putText(frame, alert_text, (text_x + 3, text_y + 3), font, font_scale, (0, 0, 0), font_thickness + 2, cv2.LINE_AA)

    # 텍스트 본문 (흰색)
    cv2.putText(frame, alert_text, (text_x, text_y), font, font_scale, (255, 255, 255), font_thickness, cv2.LINE_AA)

    return frame


def visualize_fall_simple(
    frame: np.ndarray,
    keypoints: Optional[np.ndarray] = None,
    show_fall_text: bool = False,
    keypoint_mode: Literal['all', 'major'] = 'all',
    output_scale: float = 1.0
) -> np.ndarray:
    """
    간소화된 낙상 감지 시각화 (Pose skeleton + FALL DETECTED 텍스트만)

    표시 항목:
    - Pose skeleton (신체 부위별 색상)
    - FALL DETECTED 텍스트 (show_fall_text=True일 때)

    제거된 항목:
    - FPS/Latency 정보
    - 정보 패널
    - 빨간 플래시 오버레이
    - 신뢰도 표시

    Args:
        frame: 원본 프레임
        keypoints: (17, 3) pose keypoints (선택)
        show_fall_text: True면 FALL DETECTED 텍스트 표시
        keypoint_mode: 'all'=전체 17개, 'major'=주요 9개만 표시
        output_scale: 출력 해상도 스케일 (0.5=50%, 1.0=100%)

    Returns:
        result: 시각화된 프레임
    """
    # 1. 해상도 조절 (output_scale < 1.0인 경우)
    original_h, original_w = frame.shape[:2]
    if output_scale < 1.0:
        new_w = int(original_w * output_scale)
        new_h = int(original_h * output_scale)
        result = cv2.resize(frame, (new_w, new_h), interpolation=cv2.INTER_LINEAR)

        # keypoints 좌표도 스케일 조정
        if keypoints is not None:
            keypoints = keypoints.copy()
            keypoints[:, 0] *= output_scale  # x 좌표
            keypoints[:, 1] *= output_scale  # y 좌표
    else:
        result = frame.copy()

    # 2. 스켈레톤 그리기
    if keypoints is not None:
        result = draw_skeleton_vectorized(
            result, keypoints,
            keypoint_mode=keypoint_mode,
            use_body_part_colors=True
        )

    # 3. FALL DETECTED 텍스트 표시 (플래시 없이)
    if show_fall_text:
        h, w = result.shape[:2]
        alert_text = "FALL DETECTED"

        font = cv2.FONT_HERSHEY_SIMPLEX
        font_scale = 2.0
        font_thickness = 6

        (text_w, text_h), _ = cv2.getTextSize(alert_text, font, font_scale, font_thickness)
        text_x = (w - text_w) // 2
        text_y = 80  # 화면 상단

        # 텍스트 배경 (반투명 검은색)
        bg_padding = 15
        overlay = result.copy()
        cv2.rectangle(
            overlay,
            (text_x - bg_padding, text_y - text_h - bg_padding),
            (text_x + text_w + bg_padding, text_y + bg_padding),
            (0, 0, 0),
            -1
        )
        cv2.addWeighted(overlay, 0.6, result, 0.4, 0, result)

        # 텍스트 그림자 (검은색)
        cv2.putText(result, alert_text, (text_x + 2, text_y + 2),
                    font, font_scale, (0, 0, 0), font_thickness + 2, cv2.LINE_AA)

        # 텍스트 본문 (빨간색)
        cv2.putText(result, alert_text, (text_x, text_y),
                    font, font_scale, (0, 0, 255), font_thickness, cv2.LINE_AA)

    return result


def visualize_fall_detection(
    frame: np.ndarray,
    keypoints: Optional[np.ndarray] = None,
    prediction: str = 'Non-Fall',
    confidence: float = 0.0,
    bbox: Optional[Tuple[int, int, int, int]] = None,
    fps: Optional[float] = None,
    latency: Optional[float] = None,
    show_skeleton: bool = True,
    show_info_panel: bool = True,
    show_alert: bool = False,
    use_optimized: bool = True,
    keypoint_mode: Literal['all', 'major'] = 'all',
    output_scale: float = 1.0
) -> np.ndarray:
    """
    낙상 감지 결과 종합 시각화 (All-in-one 함수)

    Args:
        frame: 원본 프레임
        keypoints: (17, 3) pose keypoints (선택)
        prediction: 'Fall' 또는 'Non-Fall'
        confidence: 신뢰도
        bbox: 바운딩 박스 (선택)
        fps: FPS 값 (선택)
        latency: Latency (ms) (선택)
        show_skeleton: True면 스켈레톤 그리기
        show_info_panel: True면 상단에 정보 패널 추가
        show_alert: True면 낙상 경보 오버레이 추가 (prediction='Fall'일 때만)
        use_optimized: True면 벡터화된 그리기 함수 사용 (30배 빠름)
        keypoint_mode: 'all'=전체 17개, 'major'=주요 9개만 표시
        output_scale: 출력 해상도 스케일 (0.5=50%, 1.0=100%)

    Returns:
        result: 시각화된 프레임
    """
    # 1. 해상도 조절 (output_scale < 1.0인 경우)
    original_h, original_w = frame.shape[:2]
    if output_scale < 1.0:
        new_w = int(original_w * output_scale)
        new_h = int(original_h * output_scale)
        result = cv2.resize(frame, (new_w, new_h), interpolation=cv2.INTER_LINEAR)

        # keypoints 좌표도 스케일 조정
        if keypoints is not None:
            keypoints = keypoints.copy()
            keypoints[:, 0] *= output_scale  # x 좌표
            keypoints[:, 1] *= output_scale  # y 좌표

        # bbox 좌표도 스케일 조정
        if bbox is not None:
            bbox = tuple(int(v * output_scale) for v in bbox)
    else:
        result = frame.copy()

    # 2. 스켈레톤 그리기
    if show_skeleton and keypoints is not None:
        if use_optimized:
            result = draw_skeleton_vectorized(
                result, keypoints,
                keypoint_mode=keypoint_mode,
                use_body_part_colors=True
            )
        else:
            result = draw_skeleton(result, keypoints, use_body_part_colors=True)

    # 3. 예측 결과 오버레이
    if fps is not None or latency is not None:
        result = draw_prediction(result, prediction, confidence, bbox, fps, latency, position='top-left')

    # 4. 낙상 경보 오버레이 (Fall이고 show_alert=True일 때만)
    if show_alert and prediction == 'Fall':
        result = draw_fall_alert_overlay(result, alert_text="FALL DETECTED!", flash=True)

    # 5. 정보 패널 추가 (선택)
    if show_info_panel and fps is not None and latency is not None:
        result = add_info_panel_to_frame(result, fps, latency, prediction, confidence, position='bottom')

    return result


if __name__ == '__main__':
    import time
    import argparse

    parser = argparse.ArgumentParser(description='Visualization module test and benchmark')
    parser.add_argument('--benchmark', action='store_true', help='Run performance benchmark')
    parser.add_argument('--resolution', type=str, default='640x480',
                       help='Test resolution (default: 640x480, options: 640x480, 1920x1080, 3840x2160)')
    parser.add_argument('--iterations', type=int, default=100, help='Benchmark iterations')
    args = parser.parse_args()

    # 해상도 파싱
    res_map = {
        '640x480': (480, 640),
        '1920x1080': (1080, 1920),
        '3840x2160': (2160, 3840),
        '4k': (2160, 3840),
        'fhd': (1080, 1920),
        'vga': (480, 640),
    }
    h, w = res_map.get(args.resolution.lower(), (480, 640))

    print(f"Testing visualization module at {w}x{h}...")

    # 1. 더미 프레임 생성
    frame = np.zeros((h, w, 3), dtype=np.uint8)
    frame[:, :] = (50, 50, 50)

    # 2. 더미 키포인트 생성 (해상도에 맞게 스케일)
    scale_x = w / 640
    scale_y = h / 480
    keypoints = np.array([
        [320, 100, 0.9],  # 0: nose
        [310, 90, 0.9],   # 1: left_eye
        [330, 90, 0.9],   # 2: right_eye
        [300, 90, 0.8],   # 3: left_ear
        [340, 90, 0.8],   # 4: right_ear
        [300, 150, 0.95], # 5: left_shoulder
        [340, 150, 0.95], # 6: right_shoulder
        [280, 200, 0.9],  # 7: left_elbow
        [360, 200, 0.9],  # 8: right_elbow
        [270, 250, 0.85], # 9: left_wrist
        [370, 250, 0.85], # 10: right_wrist
        [300, 250, 0.95], # 11: left_hip
        [340, 250, 0.95], # 12: right_hip
        [300, 350, 0.9],  # 13: left_knee
        [340, 350, 0.9],  # 14: right_knee
        [300, 450, 0.85], # 15: left_ankle
        [340, 450, 0.85], # 16: right_ankle
    ], dtype=np.float32)
    keypoints[:, 0] *= scale_x
    keypoints[:, 1] *= scale_y

    if args.benchmark:
        print("\n" + "=" * 70)
        print("BENCHMARK: Visualization Performance Comparison")
        print("=" * 70)
        print(f"Resolution: {w}x{h}")
        print(f"Iterations: {args.iterations}")
        print("=" * 70)

        # 기존 draw_skeleton 벤치마크
        print("\n[1] draw_skeleton (original - cv2.circle/line loops)")
        times_original = []
        for _ in range(args.iterations):
            start = time.perf_counter()
            _ = draw_skeleton(frame.copy(), keypoints, use_body_part_colors=True)
            times_original.append((time.perf_counter() - start) * 1000)
        avg_original = np.mean(times_original)
        std_original = np.std(times_original)
        print(f"    Average: {avg_original:.2f}ms (+/- {std_original:.2f}ms)")

        # 벡터화 draw_skeleton_vectorized 벤치마크 (all keypoints)
        print("\n[2] draw_skeleton_vectorized (optimized - all keypoints)")
        times_vectorized = []
        for _ in range(args.iterations):
            start = time.perf_counter()
            _ = draw_skeleton_vectorized(frame.copy(), keypoints, keypoint_mode='all')
            times_vectorized.append((time.perf_counter() - start) * 1000)
        avg_vectorized = np.mean(times_vectorized)
        std_vectorized = np.std(times_vectorized)
        speedup_all = avg_original / avg_vectorized
        print(f"    Average: {avg_vectorized:.2f}ms (+/- {std_vectorized:.2f}ms)")
        print(f"    Speedup: {speedup_all:.1f}x faster")

        # 벡터화 draw_skeleton_vectorized 벤치마크 (major keypoints)
        print("\n[3] draw_skeleton_vectorized (optimized - major keypoints only)")
        times_major = []
        for _ in range(args.iterations):
            start = time.perf_counter()
            _ = draw_skeleton_vectorized(frame.copy(), keypoints, keypoint_mode='major')
            times_major.append((time.perf_counter() - start) * 1000)
        avg_major = np.mean(times_major)
        std_major = np.std(times_major)
        speedup_major = avg_original / avg_major
        print(f"    Average: {avg_major:.2f}ms (+/- {std_major:.2f}ms)")
        print(f"    Speedup: {speedup_major:.1f}x faster")

        # 해상도 스케일 + 벡터화 벤치마크
        if w > 640:
            print("\n[4] draw_skeleton_vectorized + 50% scale")
            times_scaled = []
            for _ in range(args.iterations):
                start = time.perf_counter()
                result = visualize_fall_detection(
                    frame.copy(), keypoints,
                    prediction='Fall', confidence=0.9,
                    fps=30.0, latency=50.0,
                    use_optimized=True,
                    keypoint_mode='all',
                    output_scale=0.5
                )
                times_scaled.append((time.perf_counter() - start) * 1000)
            avg_scaled = np.mean(times_scaled)
            std_scaled = np.std(times_scaled)
            print(f"    Average: {avg_scaled:.2f}ms (+/- {std_scaled:.2f}ms)")
            print(f"    Output size: {result.shape[1]}x{result.shape[0]}")

        print("\n" + "=" * 70)
        print("SUMMARY")
        print("=" * 70)
        print(f"Original:   {avg_original:.2f}ms")
        print(f"Optimized:  {avg_vectorized:.2f}ms ({speedup_all:.1f}x faster)")
        print(f"Major only: {avg_major:.2f}ms ({speedup_major:.1f}x faster)")
        target_met = avg_vectorized < 10.0
        print(f"\nTarget (<10ms): {'MET' if target_met else 'NOT MET'}")
        print("=" * 70)

    else:
        # 기본 기능 테스트
        print("\n1. Testing draw_skeleton (original)...")
        result = draw_skeleton(frame.copy(), keypoints, use_body_part_colors=True)
        print(f"   Output shape: {result.shape}")

        print("\n2. Testing draw_skeleton_vectorized (optimized)...")
        result = draw_skeleton_vectorized(frame.copy(), keypoints, keypoint_mode='all')
        print(f"   Output shape: {result.shape}")

        print("\n3. Testing draw_skeleton_vectorized (major only)...")
        result = draw_skeleton_vectorized(frame.copy(), keypoints, keypoint_mode='major')
        print(f"   Output shape: {result.shape}")

        print("\n4. Testing draw_prediction...")
        result = draw_prediction(
            frame.copy(),
            prediction='Non-Fall',
            confidence=0.95,
            bbox=(int(270*scale_x), int(90*scale_y), int(370*scale_x), int(450*scale_y)),
            fps=30.0,
            latency=50.0
        )
        print(f"   Output shape: {result.shape}")

        print("\n5. Testing create_info_panel...")
        panel = create_info_panel(w, h, fps=30.0, latency=50.0, prediction='Non-Fall', confidence=0.95)
        print(f"   Panel shape: {panel.shape}")

        print("\n6. Testing visualize_fall_detection (optimized=True)...")
        result = visualize_fall_detection(
            frame=frame,
            keypoints=keypoints,
            prediction='Fall',
            confidence=0.87,
            fps=30.0,
            latency=50.0,
            show_skeleton=True,
            show_info_panel=True,
            show_alert=True,
            use_optimized=True,
            keypoint_mode='all'
        )
        print(f"   Output shape: {result.shape}")

        print("\n7. Testing visualize_fall_detection (output_scale=0.5)...")
        result = visualize_fall_detection(
            frame=frame,
            keypoints=keypoints,
            prediction='Non-Fall',
            confidence=0.95,
            fps=30.0,
            latency=50.0,
            show_skeleton=True,
            show_info_panel=True,
            use_optimized=True,
            output_scale=0.5
        )
        print(f"   Output shape: {result.shape}")

        print("\nAll tests passed!")