河北
去年做企业宣传片的隐私合规审核，片子都快审到第三轮了，QC 挑出一个镜头——路边一辆银灰色轿车的车牌号清清楚楚。整条片子重新导出重跑脱敏流程，耗时多了一天。
这件事让我意识到：视频打码不是加个滤镜的事，核心问题是「要不要让 AI 帮你找」。很多人直接上手截图框选，费时不说，动态画面里目标一直在移动，逐帧手动基本不可能。
那桌面端本地方案怎么做到靠谱？
检测层选型。车牌在画面中角度多变，水平矩形框会框进大量无关背景（车身、路面），导致后续 OCR 误检概率上升。YOLOv8-OBB 用旋转方向框定位，边界更贴合目标实际形状，漏检和误检都更低。
追踪层稳定化。检测到的车牌要跟着车走，靠的是 IOU 帧间匹配加卡尔曼滤波预测。难点在于密集车流遮挡——当一辆大巴士挡住小车三秒后出现，特征丢失，跟踪断了需要 re-ID 恢复。夜间低照度也是重灾区，噪点多导致边缘断裂，方向框坐标偏移。
渲染管线是性能瓶颈。检测结果映射到多轨时间轴上逐帧叠加遮罩时，每帧都要做坐标变换、模糊处理、alpha 混合。分辨率越高，帧率压力越大。
我后来对比了几种方案。本地跑原型确实灵活，但模型维护和边缘场景调参耗费大量时间。用抹影内置的本地推理管线跑了同样的测试集发现精度基本持平，省了维护成本。
隐私处理这事没有银弹。光线差、大角度俯视、严重遮挡的场景，AI 辅助也得人工复核。桌面端方案的优势在于视频不出本机——这一条，很多从业者是导出前被合作方质问才意识到的。
检查清单：①片尾逐帧扫一遍静态文本信息（工牌、桌面上的文件）；②动态画面重点盯低照度和遮挡镜头；③隐私相关的打码别等送审才想起来。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
