实际上，我想检测给定视频源的“最大”（高度和宽度）刻录字幕的坐标。但为了做到这一点，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 -
这给了我一条线，其中包含视频中每个输入帧的坐标，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，并输出它的坐标和帧号作为最长字幕的代表。
bbox即使在带有白色硬字幕的相对较暗的视频中，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_val130 的 a（假设有意义的值min_val在 0- 255，虽然文档什么也没说）。使用drawbox过滤器ffplay测试特定帧报告的坐标，我可以看到它只正确检测到字幕的底部/左侧/右侧边界，大概是因为下图中的地球轮廓同样亮：
提高min_val到 230 会稍微打破之前在底部/左侧/右侧的正确边界：
将其提高到 240 会给我一个奇怪的结果：
但是即使我能够通过bbox过滤器达到完美的效果，这种技术也不是万无一失的，原因很明显（min_val应该任意选择，烧录的字幕可以是不同的颜色，字幕后面的图像可以是取决于视频源等，同样甚至更亮）。
所以如果可能的话，我想知道：
- 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
- 是否有另一个 CLI 工具或编程库来实现这一点
- 任何可能有帮助的提示（也许我以错误的方式看待问题）