自动检测视频源中刻录字幕的框/坐标

如何解决自动检测视频源中刻录字幕的框/坐标

实际上，我想检测给定视频源的“最大”（高度和宽度）内嵌字幕的坐标。但是为了做到这一点，我首先需要检测示例视频中每个不同字幕的框坐标，并比较它们以找到最大的。我不知道从哪里开始，所以我找到的最接近的东西（有点）是 ffmpeg 的 bBox 视频过滤器，它根据文档计算 "the bounding Box for the non-black pixels in the input frame luminance plane"，基于给定的亮度值：

ffmpeg -i input.mkv -vf bBox=min_val=130 -f null -

这给了我一条包含视频中每个输入帧坐标的线，例如：

[Parsed_bBox_0 @ 0ab734c0] n:123 pts:62976 pts_time:4.1 x1:173 x2:1106 y1:74 y2:694 w:934 h:621 crop=934:621:173:74 drawBox=173:74:934:621

这个想法是制作一个脚本并循环过滤器的输出，通过比较它们来检测“最大”框，并输出其坐标和帧数作为最长字幕的代表。

即使在带有白色硬字幕的相对较暗的视频中，bBox 过滤器也无法正确检测字幕框。通过反复试验，并且仅针对我用来运行测试的特定视频样本，检测任何字幕框的“最佳”结果是使用 min_val 为 130（据说 {{ 1}} 在 0-255 的范围内，尽管文档没有说明任何内容）。使用带有 min_val 的 drawBox 过滤器来测试为特定帧报告的坐标，我可以看到它仅正确检测字幕的下/左/右边界，大概是因为地球的轮廓下图中同样明亮：

将 ffplay 提高到 230 会稍微打破之前正确的底部/左侧/右侧边界：

把它提高到 240 给了我一个奇怪的结果：

然而，即使我能够使用 min_val 过滤器获得完美的结果，由于显而易见的原因，这种技术也不是万无一失的（bBox 应该任意选择，烧入的字幕可以是不同的颜色，字幕后面的图像可以相同甚至更亮，具体取决于视频源等）。

所以如果可能的话，我想知道：

1. 是否有过滤器或其他技术可以与 ffmpeg 一起使用来做我想做的事情
2. 是否有其他 CLI 工具或编程库可以实现这一点
3. 任何可能有帮助的提示（也许我看问题的方式不对）