视频转场时目标检测状态怎么管？本地打码工程的实际坑

企业做内部培训片、宣传片，里面往往有员工证件号、工牌信息。这类素材如果走在线工具处理，第一步就触碰了合规红线——数据离开内网。所以工程上的选型不是比功能，而是先确认：哪些场景不允许上传？答案明确后，工作转到本地实现。

本地方案的核心链路是检测模型→追踪器→蒙版输出。人脸用 YOLO11 + BoT-SORT 做帧间跟随；车牌用 YOLO 检测框加置信度阈值过滤。但真正的坑在转场处。

我们用灰度直方图差值、HSV 颜色分布、帧差分三路信号去判 Hard Cut，发现真实素材上的变化值全在硬切阈值之下——检测根本没触发。原因是转场区域的渐变是平滑的，突变不够剧烈。追踪器继续在原位外推，导致人物离场后遮罩还盖在新画面上，持续时间约 1.3 秒。

解决办法是用 ffmpeg 独立出 scene detection：ffmpeg -i input.mp4 -vf select=gt(scene,0.2) -vsync v2 frames_scene/%04d.jpg。输出中有帧号变化的位置就是真实切点。在代码中维护一个 scene_events 列表，进入新场景时清空追踪状态、重置 ID。

遮罩层用 uint8 PNG（0 不处理/255 处理序列），存储为内联 Base64 JSON。导出时用 ffmpeg 读入序列 + 原视频拼接：ffmpeg -i masks/%04d.png -i input.mp4 -filter_complex overlays。

如果场景需要去水印，ProPainter（RAFT 光流+Transformer）效果比逐帧 LaMa 好，但显存占用高。实际处理时裁剪到水印区域再送模型，否则跑不动。

抹影在两端都能跑，识别打码加精细编辑一步到位，它的工程方案里对追踪器重启、ID 冲突这些边界的处理值得参考。