Redlight_Remover/auto_remove_redlight.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
auto_remove_redlight.py
================================================================
安全帽第一人稱機車影片 — 自動去紅燈剪輯工具(支援整個資料夾批次處理)

功能流程(對「每一支」影片):
  1. 用 OpenCV 每隔 N 秒(預設 1 秒)抽一幀
  2. 裁切出畫面上「GPS 時速表」的固定像素區域 (ROI)
  3. 用 EasyOCR 只辨識數字,讀出當下時速
  4. 當時速 = 0 且「連續超過 4 秒」→ 判定為等紅燈,標記為移除區段
  5. 其餘「時速 > 0 的行駛片段」全部保留
  6. 用 FFmpeg 進行【無損】切割 (-c copy) 與拼接,輸出去紅燈影片

批次模式:
  - 輸入可以直接打「資料夾名稱」(例如 20260502),程式會到 BASE_DIR(預設 E:\\videos)
    底下找該資料夾,並把裡面所有影片(01.MOV、02.MOV…)「各自獨立」去紅燈、各輸出一支。
  - 也可以直接給單一影片檔或完整資料夾路徑。

設計重點:
  - 偵測座標 (ROI) 與所有門檻參數都集中在最上方的「使用者設定區」,方便修改
  - 提供 --preview 模式: 先輸出一張畫了紅框的預覽圖,確認 ROI 框對位置再正式跑
  - 每支影片都會輸出一份 *_speeds.csv: 紀錄每秒辨識結果,方便檢查 OCR、微調參數

需要安裝(測試前請先裝好):
  1. Python 3.x 本體(目前這台電腦的 python 只是 Microsoft Store 捷徑,不是真的 Python)
  2. pip install easyocr opencv-python numpy
  3. FFmpeg / ffprobe,並加入系統 PATH(目前尚未安裝)

基本用法:
  # 1) 先確認框選位置(會抽資料夾第一支影片的一幀,畫紅框)
  python auto_remove_redlight.py 20260502 --preview

  # 2) 確認 ROI 沒問題後,批次處理整個資料夾(每支各自輸出)
  python auto_remove_redlight.py 20260502

  # 也可以只處理單一檔案
  python auto_remove_redlight.py E:\\videos\\20260502\\01.MOV -o 01_clean.MOV

  ※ 一般使用建議直接執行同資料夾的「啟動.bat」,用問答方式輸入即可,免記指令。
================================================================
"""

import argparse
import csv
import json
import os
import re
import shutil
import subprocess
import sys
import tempfile
from dataclasses import dataclass
from pathlib import Path
from typing import List, Optional, Tuple

import cv2
import numpy as np

# 讓 print 在任何主控台編碼(cp950 / utf-8)下都不會因無法顯示的字元而崩潰
try:
    sys.stdout.reconfigure(errors="replace")
    sys.stderr.reconfigure(errors="replace")
except Exception:
    pass

# ============================================================
# 【使用者設定區】 — 最常修改的參數都集中在這裡
# ============================================================

# --- 影片根目錄 ---------------------------------------------
# 當你只輸入資料夾名稱(例如 20260502)時,程式會到這個目錄底下找。
BASE_DIR = r"E:\videos"

# --- GPS 時速表在畫面上的像素區域 (ROI) ----------------------
# 格式: (x, y, w, h)
#   x, y = 區域「左上角」座標 (像素)
#   w, h = 區域的寬、高 (像素)
# 4K 影片解析度通常為 3840 x 2160。
# ⚠️ 下面是「範例佔位值」,請務必改成你影片中時速表的實際位置!
# 小技巧: 先跑 preview(啟動.bat 選 1,或加 --preview),
#         它會輸出 preview_roi.png(整張畫面+紅框)和 preview_crop.png(裁切結果),
#         開圖確認紅框剛好框住時速數字,再回來微調這四個數字即可。
ROI = (3300, 1770, 300, 140)        # <--改這裡!(x, y, w, h)
                                    # 目前值對應 20260516 那批:右下角圓形時速錶內的白色數字
                                    # (置中數字,避開左側會移動的指針三角形)

# --- 偵測邏輯參數 -------------------------------------------
SAMPLE_INTERVAL = 1.0               # 每隔幾秒辨識一次 (秒)。1.0 = 每秒一次
STOP_SECONDS    = 4.0               # 時速為 0 連續超過幾秒,才算等紅燈 (秒)
SPEED_THRESHOLD = 0                 # 時速 <= 此值視為「停止」。0 = 只有讀到 0 才算停
                                    #   若想把「龜速 1~2 km/h」也當停止,可改成 1 或 2
MIN_CONFIDENCE  = 0.50              # OCR 信心低於此值的結果視為「未知」(交給平滑補值)
                                    #   提高到 0.5 可濾掉停車時偶發的低信心雜訊(如 60@0.39)
MAX_SPEED       = 300               # 合理時速上限,超過視為誤判(雜訊),當成未知

# --- 平滑濾波(關鍵!解決停車時 OCR 在 0 與雜訊間跳動的問題)----
# 停車時 OCR 多數讀到 0,但偶爾蹦出單格雜訊(6、60…)或空值,會把「連續停車」
# 打斷,導致紅燈段沒被完整移除。對每秒速度做「補空值 + 中位數濾波」後再判定:
#   - 孤立的雜訊讀數會被周圍的 0 吃掉(中位數)
#   - 辨識失敗的空值會用前後最近的有效讀數補上
SMOOTH_WINDOW   = 5                 # 中位數濾波視窗(取樣點數,奇數)。5 = 看前後各 2 秒
MERGE_GAP       = 3.0               # 兩個紅燈移除段若間隔小於此秒數,視為同一段並合併 (秒)

# --- 剪輯 / 輸出參數 ----------------------------------------
# 紅燈移除段的頭尾「不對稱」微調:
CUT_BEFORE_STOP = 2.0               # 進入紅燈端(速度到 0 那邊): 移除起點再往前幾秒,
                                    #   連減速進站那段也一起砍掉 (秒)
KEEP_AFTER_STOP = 2.0               # 綠燈起步端(速度從 0 開始跑): 移除終點提早幾秒,
                                    #   多留幾秒「卡達起步」的畫面 (秒)
MIN_KEEP        = 0.8               # 保留片段若短於此秒數就丟棄,避免產生超碎片段 (秒)
USE_GPU         = True              # EasyOCR 是否用 GPU。需 CUDA + GPU 版 PyTorch。
                                    #   設 True 時若沒有 CUDA,EasyOCR 會自動退回 CPU(不會壞)
REENCODE        = False             # False = 無損 -c copy(切點對齊關鍵幀,可能 ±1~2 秒)
                                    # True  = 重新編碼(切點精準到幀,但較慢、非無損)
PROGRESS_EVERY  = 60                # 進度回報: 每處理幾秒影片印一行目前時速 (秒)。
                                    #   純顯示用,改小只是印多幾行,不影響速度與偵測精度

# --- 剪接點轉場(淡出淡入 / 恆定功率交叉淡化)------------------
# 注意: 一旦開啟轉場,就「必須重新編碼」(濾鏡無法用 -c copy),非無損且較慢。
#       有 NVIDIA 顯卡時會自動用 NVENC 硬體編碼加速 4K。
TRANSITION          = True          # 是否在每個剪接點加轉場。False = 維持無損快剪
TRANSITION_DURATION = 0.5           # 轉場長度 (秒)。畫面與聲音共用同一長度,確保同步
VIDEO_TRANSITION    = "fadeblack"   # 畫面轉場 (FFmpeg xfade 類型):
                                    #   fadeblack = 淡出到黑再淡入(較接近「淡出淡入」)
                                    #   fade      = 交叉溶接(兩段直接互溶)
                                    #   其它如 dissolve, smoothleft... 見 ffmpeg xfade 文件
                                    # 聲音固定用 acrossfade 等功率曲線(c1=qsin:c2=qsin)=恆定功率

# --- 音訊處理(命名參考 Adobe Premiere Pro 效果;需重新編碼,即 TRANSITION=true 時生效)---
VOLUME_BOOST         = True         # 音量增益: 是否放大音量(對應 PR「增益 / 音量」)
VOLUME_BOOST_PERCENT = 30           # 音量增加幅度 (%)。30 = 放大成 130% (x1.3 ≈ +2.3dB)
HARD_LIMITER         = True         # 強制壓限 (PR「強制壓限 / Hard Limiter」):
                                    #   拉大音量後把峰值壓在 0dB 以下,避免破音(擺在最後當煞車)
LOWPASS              = True         # 低通 (PR「低通 / Lowpass」): 濾掉高頻刺耳聲(風切/嘶聲)
LOWPASS_HZ           = 15000        # 低通截止頻率 (Hz)。低於此保留,高於此衰減

# --- 批次模式 -----------------------------------------------
# 會被當成影片來處理的副檔名(小寫比較)
VIDEO_EXTS = {".mov", ".mp4", ".m4v", ".avi", ".mkv", ".mts", ".m2ts", ".insv"}
# 輸出檔名後綴與預設輸出子資料夾名稱
OUTPUT_SUFFIX  = "_no_redlight"     # 輸出檔名 = <原檔名><此後綴>.<原副檔名>
OUTPUT_SUBDIR  = "no_redlight"      # 批次輸出會放到 <資料夾>\no_redlight\ 底下

# ============================================================
# 以下為程式邏輯,一般情況不需更動
# ============================================================


@dataclass
class Sample:
    """單一取樣點的辨識結果。"""
    t: float                # 時間戳 (秒)
    speed: Optional[int]    # 辨識到的時速;None 代表辨識失敗/信心不足
    conf: float             # OCR 信心值 (0~1)
    raw: str                # OCR 原始文字 (除錯用)


# ---------- EasyOCR 讀取器 (延遲載入,避免 --preview 也要等模型) ----------

def build_reader(use_gpu: bool):
    """建立 EasyOCR 讀取器。第一次執行會自動下載模型 (約 100MB)。"""
    import easyocr  # 延遲匯入: 載入較慢,且 preview 模式用不到
    print("[INFO] 正在載入 EasyOCR 模型 (第一次會下載,請稍候)...")
    reader = easyocr.Reader(['en'], gpu=use_gpu)
    print("[INFO] EasyOCR 載入完成。")
    return reader


# ---------- 影像前處理 ----------

def preprocess_roi(roi_bgr: np.ndarray, upscale: int = 3) -> np.ndarray:
    """
    對 ROI 做前處理以利數字辨識。
    依你的時速表樣式不同,可能需要調整這裡(這是最影響辨識率的地方):
      - 放大: 小數字放大後辨識率較高
      - 二值化 / 反相: 視「亮底暗字」或「暗底亮字」決定是否啟用、是否反相
    """
    gray = cv2.cvtColor(roi_bgr, cv2.COLOR_BGR2GRAY)

    # 放大(對小字很有效)
    gray = cv2.resize(gray, None, fx=upscale, fy=upscale,
                      interpolation=cv2.INTER_CUBIC)

    # ↓↓↓ 如果辨識率不佳,試著「取消註解」下面幾行做二值化 ↓↓↓
    # # Otsu 自動二值化:
    # _, gray = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # # 若你的時速表是「暗底亮字」,二值化後可能要反相(讓字變黑、底變白):
    # gray = cv2.bitwise_not(gray)

    return gray


# ---------- 單張 ROI → 時速 ----------

def detect_speed(reader, roi_bgr: np.ndarray) -> Tuple[Optional[int], float, str]:
    """
    對一張 ROI 影像辨識時速。
    回傳 (speed, confidence, raw_text);辨識不到數字時 speed = None。
    """
    proc = preprocess_roi(roi_bgr)

    # allowlist 限制只辨識 0~9,可大幅降低把背景雜訊誤認成文字的機率
    results = reader.readtext(proc, allowlist='0123456789',
                              detail=1, paragraph=False)

    # results 為 [(bbox, text, conf), ...];挑出「信心最高且能解析成數字」的那個
    best: Optional[Tuple[int, float, str]] = None
    for (_bbox, text, conf) in results:
        digits = ''.join(ch for ch in text if ch.isdigit())
        if not digits:
            continue
        value = int(digits)
        if value > MAX_SPEED:          # 超過合理上限,視為誤判
            continue
        if best is None or conf > best[1]:
            best = (value, float(conf), text)

    if best is None:
        return None, 0.0, ''
    return best


# ---------- 逐秒取樣整支影片 ----------

def sample_speeds(video_path: str, roi: Tuple[int, int, int, int],
                  interval: float, reader,
                  debug_dir: Optional[str] = None
                  ) -> Tuple[List[Sample], float, float]:
    """
    用 OpenCV 每隔 interval 秒抽一幀並辨識時速。
    回傳 (samples, duration, fps)。
    """
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        raise RuntimeError(f"無法開啟影片(OpenCV 可能不支援此編碼): {video_path}")

    fps = cap.get(cv2.CAP_PROP_FPS) or 60.0
    frame_count = cap.get(cv2.CAP_PROP_FRAME_COUNT) or 0
    duration = frame_count / fps if frame_count else 0.0
    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

    x, y, w, h = roi
    # 邊界保護: 避免 ROI 超出畫面導致裁切錯誤
    if x < 0 or y < 0 or x + w > width or y + h > height:
        print(f"[WARN] ROI {roi} 超出畫面範圍 {width}x{height},請檢查座標!")

    print(f"[INFO] 影片資訊: {width}x{height}, {fps:.2f} fps, "
          f"長度 {fmt_ts(duration)} ({duration:.1f}s)")
    print(f"[INFO] 開始逐秒辨識 (每 {interval}s 一次,共約 "
          f"{int(duration / interval) if duration else '?'} 個取樣點)...")

    samples: List[Sample] = []
    t = 0.0
    while duration == 0.0 or t < duration:
        frame_idx = int(round(t * fps))
        cap.set(cv2.CAP_PROP_POS_FRAMES, frame_idx)
        ok, frame = cap.read()
        if not ok:
            break  # 讀到結尾

        roi_bgr = frame[y:y + h, x:x + w]
        speed, conf, raw = detect_speed(reader, roi_bgr)

        # 信心不足 → 視為未知 (None),避免把不確定的結果當成「停止」而誤刪畫面
        if speed is not None and conf < MIN_CONFIDENCE:
            speed = None

        samples.append(Sample(t=t, speed=speed, conf=conf, raw=raw))

        # 除錯: 把每個取樣點的 ROI 存檔,方便回頭檢查 OCR 為何讀錯
        if debug_dir:
            cv2.imwrite(os.path.join(debug_dir, f"t{int(t):05d}_{raw or 'NA'}.png"),
                        roi_bgr)

        # 進度列 (每 PROGRESS_EVERY 秒印一次;<=0 則不印)
        if PROGRESS_EVERY > 0 and int(t) % PROGRESS_EVERY == 0:
            shown = speed if speed is not None else '??'
            print(f"    [{fmt_ts(t)}] 時速={shown}", flush=True)

        t += interval

    cap.release()
    print(f"[INFO] 辨識完成,共 {len(samples)} 個取樣點。")
    return samples, (duration or t), fps


# ---------- 由取樣結果計算「要保留的片段」 ----------

def is_stopped(s: Sample) -> bool:
    """判斷一個取樣點是否為『停止』(僅供 CSV 顯示用,未平滑)。未知(None)不算停止。"""
    if s.speed is None:
        return False
    return s.speed <= SPEED_THRESHOLD


def smooth_speeds(samples: List[Sample], window: int) -> List[int]:
    """
    對逐秒速度做「補空值 + 中位數濾波」,壓掉停車時的跳動雜訊。
      1. 補空值: 辨識失敗(None)的點,用前一個有效讀數延續(找不到再用後一個)
      2. 中位數濾波: 每個點取前後 window//2 範圍的中位數,孤立的雜訊(單格 6/60)會被吃掉
    回傳與 samples 等長的整數速度陣列。
    """
    n = len(samples)
    if n == 0:
        return []

    # --- 1) 前向補值: 把 None 用「上一個有效讀數」填滿 ---
    filled: List[Optional[int]] = [None] * n
    last: Optional[int] = None
    for i in range(n):
        if samples[i].speed is not None:
            last = samples[i].speed
        filled[i] = last
    # --- 開頭若還是 None(前面沒有任何有效讀數),用「下一個有效讀數」回填 ---
    nxt: Optional[int] = None
    for i in range(n - 1, -1, -1):
        if filled[i] is None:
            filled[i] = nxt
        else:
            nxt = filled[i]
    # 整支都讀不到時 → 視為 0(交給後續邏輯,通常代表 ROI 設錯)
    filled = [0 if v is None else v for v in filled]

    # --- 2) 中位數濾波 ---
    half = max(0, window // 2)
    smoothed: List[int] = [0] * n
    for i in range(n):
        lo = max(0, i - half)
        hi = min(n, i + half + 1)
        win = sorted(filled[lo:hi])
        smoothed[i] = win[len(win) // 2]
    return smoothed


def find_keep_intervals(samples: List[Sample], duration: float, interval: float
                        ) -> Tuple[List[Tuple[float, float]], List[Tuple[float, float]]]:
    """
    根據取樣結果,找出:
      - removals: 需要移除的紅燈區段 [(start, end), ...]
      - keeps   : 需要保留的行駛區段 [(start, end), ...] (= 全片扣掉 removals)
    """
    n = len(samples)
    # 用平滑後的速度判定停止,避免停車時 OCR 跳動把連續紅燈打斷
    smoothed = smooth_speeds(samples, SMOOTH_WINDOW)
    stopped = [v <= SPEED_THRESHOLD for v in smoothed]

    removals: List[Tuple[float, float]] = []
    i = 0
    while i < n:
        if stopped[i]:
            # 找出這一段連續停止的範圍 i..j
            j = i
            while j + 1 < n and stopped[j + 1]:
                j += 1

            run_start = samples[i].t
            # 視為持續到「下一個取樣點」才結束,所以 +interval
            run_end = min(samples[j].t + interval, duration)
            run_dur = run_end - run_start

            # 連續停止超過門檻 → 列為移除(等紅燈)
            if run_dur >= STOP_SECONDS:
                # 進入紅燈端往前多砍 CUT_BEFORE_STOP 秒(連減速進站一起砍);
                # 綠燈起步端提早 KEEP_AFTER_STOP 秒結束(多留卡達起步畫面)。
                rstart = max(0.0, run_start - CUT_BEFORE_STOP)
                rend = run_end - KEEP_AFTER_STOP
                if rend > rstart:
                    removals.append((rstart, rend))
            i = j + 1
        else:
            i += 1

    # 合併「間隔很短」的相鄰移除段(平滑後仍可能殘留 1~2 格雜訊把一個紅燈切兩半)
    if removals:
        merged: List[Tuple[float, float]] = [removals[0]]
        for (rs, re) in removals[1:]:
            if rs - merged[-1][1] < MERGE_GAP:
                merged[-1] = (merged[-1][0], re)   # 接起來
            else:
                merged.append((rs, re))
        removals = merged

    # keeps = 全片 [0, duration] 扣掉所有 removals
    keeps: List[Tuple[float, float]] = []
    cursor = 0.0
    for (rs, re) in removals:
        if rs > cursor:
            keeps.append((cursor, rs))
        cursor = max(cursor, re)
    if cursor < duration:
        keeps.append((cursor, duration))

    # 丟棄過短的保留片段
    keeps = [(s, e) for (s, e) in keeps if (e - s) >= MIN_KEEP]
    return keeps, removals


# ---------- FFmpeg: 無損切割 + 拼接 ----------

def run_cmd(cmd: List[str]) -> None:
    """執行外部指令,失敗時印出 stderr 並丟出例外。"""
    proc = subprocess.run(cmd, capture_output=True, text=True)
    if proc.returncode != 0:
        sys.stderr.write("[ERROR] 指令執行失敗:\n  " + " ".join(cmd) + "\n")
        sys.stderr.write((proc.stderr or "")[-2000:] + "\n")  # 只印最後一段錯誤訊息
        raise RuntimeError("FFmpeg 指令失敗")


def ffmpeg_cut_concat(input_path: str, keeps: List[Tuple[float, float]],
                      output_path: str, reencode: bool,
                      tmp_parent: Optional[str] = None) -> None:
    """
    將 keeps 中的每個片段切出來,再拼接成 output_path。

    無損模式 (reencode=False):
      使用 -c copy 串流複製,完全不重新編碼 → 畫質無損、速度快。
      代價: 切點會對齊到最近的「關鍵幀(keyframe)」,實際起點可能比指定時間稍早,
            因此切點精度約 ±1~2 秒(取決於影片 GOP 長度)。對「去紅燈」用途通常足夠。

    精準模式 (reencode=True):
      重新編碼 → 切點精準到幀,但會耗時且非無損(此處用 CRF 18 接近視覺無損)。

    tmp_parent:
      暫存切片要放的「父目錄」。建議放在與輸出同一顆硬碟(例如 E:),
      避免大量 4K 暫存檔塞爆 C: 系統碟。
    """
    # 暫存檔放在輸出同顆硬碟,避免塞爆系統碟(4K 切片可能很大)
    tmpdir = tempfile.mkdtemp(prefix="redlight_", dir=tmp_parent)
    seg_files: List[str] = []
    try:
        # 1) 逐段切出
        for idx, (start, end) in enumerate(keeps):
            dur = end - start
            ext = os.path.splitext(output_path)[1] or ".mp4"
            seg = os.path.join(tmpdir, f"seg_{idx:04d}{ext}")

            if reencode:
                cmd = [
                    "ffmpeg", "-y",
                    "-ss", f"{start:.3f}", "-i", input_path,
                    "-t", f"{dur:.3f}",
                    "-c:v", "libx264", "-preset", "medium", "-crf", "18",
                    "-c:a", "aac", "-b:a", "192k",
                    "-avoid_negative_ts", "make_zero",
                    seg,
                ]
            else:
                cmd = [
                    "ffmpeg", "-y",
                    "-ss", f"{start:.3f}", "-i", input_path,
                    "-t", f"{dur:.3f}",
                    "-c", "copy",
                    "-avoid_negative_ts", "make_zero",
                    seg,
                ]
            print(f"    切割片段 {idx + 1}/{len(keeps)}: "
                  f"{fmt_ts(start)} ~ {fmt_ts(end)} ({dur:.1f}s)")
            run_cmd(cmd)
            seg_files.append(seg)

        # 2) 寫 concat 清單 (concat demuxer 要求每行: file '路徑')
        #    Windows 路徑的反斜線在清單檔中容易出問題,統一改成正斜線
        listfile = os.path.join(tmpdir, "concat_list.txt")
        with open(listfile, "w", encoding="utf-8") as f:
            for seg in seg_files:
                f.write(f"file '{seg.replace(os.sep, '/')}'\n")

        # 3) 無損拼接 (-c copy)
        print("    正在拼接所有片段...")
        cmd = [
            "ffmpeg", "-y",
            "-f", "concat", "-safe", "0",
            "-i", listfile,
            "-c", "copy",
            output_path,
        ]
        run_cmd(cmd)
        print(f"[INFO] 完成! 輸出檔案: {output_path}")

    finally:
        shutil.rmtree(tmpdir, ignore_errors=True)  # 清掉暫存檔


def _audio_filter_chain() -> List[str]:
    """
    依設定組音訊濾鏡鏈(對應 Adobe PR 的 音量 / 強制壓限 / 低通)。
    回傳 ffmpeg 濾鏡片段清單,順序為: 音量增益 → 低通 → 強制壓限(壓限擺最後當煞車)。
    """
    chain: List[str] = []
    if VOLUME_BOOST and abs(VOLUME_BOOST_PERCENT) > 0:
        mult = 1.0 + VOLUME_BOOST_PERCENT / 100.0      # +30% → x1.3
        chain.append(f"volume={mult:.4f}")             # 音量增益
    if LOWPASS:
        chain.append(f"lowpass=f={int(LOWPASS_HZ)}")   # 低通 (Lowpass)
    if HARD_LIMITER:
        # 強制壓限 (Hard Limiter): limit=0.95 → 峰值天花板約 -0.45dBFS;
        # level=disabled 關掉「壓限後自動回補到 0dB」,才能真正留下 headroom 防破音
        chain.append("alimiter=limit=0.95:level=disabled")
    return chain


def has_audio(path: str) -> bool:
    """用 ffprobe 判斷影片是否有音訊軌。出錯時保守假設『有』。"""
    if shutil.which("ffprobe") is None:
        return True
    try:
        out = subprocess.run(
            ["ffprobe", "-v", "error", "-select_streams", "a",
             "-show_entries", "stream=index", "-of", "csv=p=0", path],
            capture_output=True, text=True)
        return bool(out.stdout.strip())
    except Exception:
        return True


def ffmpeg_cut_concat_xfade(input_path: str, keeps: List[Tuple[float, float]],
                            output_path: str, use_gpu: bool,
                            tmp_parent: Optional[str] = None) -> None:
    """
    把 keeps 各片段接起來,並在「每個剪接點」加上轉場:
      - 畫面: xfade(VIDEO_TRANSITION,例如 fadeblack 淡出淡入)
      - 聲音: acrossfade 等功率曲線(c1=qsin:c2=qsin)= 恆定功率交叉淡化
    兩者重疊長度相同(TRANSITION_DURATION),因此畫面與聲音同步。

    ※ 轉場需要重新編碼(濾鏡無法 -c copy)。有 NVIDIA 顯卡時用 h264_nvenc 硬體加速。
    """
    n = len(keeps)
    durs = [e - s for (s, e) in keeps]

    # 只有一段 → 沒有剪接點,不需轉場
    if n == 1:
        s, e = keeps[0]
        af = _audio_filter_chain()
        if af and has_audio(input_path):
            # 仍要做音量處理: 畫面照樣無損複製,只重編音訊
            run_cmd(["ffmpeg", "-y", "-ss", f"{s:.3f}", "-t", f"{e - s:.3f}",
                     "-i", input_path, "-af", ",".join(af),
                     "-c:v", "copy", "-c:a", "aac", "-b:a", "256k",
                     "-avoid_negative_ts", "make_zero", output_path])
        else:
            run_cmd(["ffmpeg", "-y", "-ss", f"{s:.3f}", "-t", f"{e - s:.3f}",
                     "-i", input_path, "-c", "copy",
                     "-avoid_negative_ts", "make_zero", output_path])
        print(f"[INFO] 完成(單一片段,免轉場)! 輸出檔案: {output_path}")
        return

    # 轉場長度不能 >= 任何片段,否則 xfade/acrossfade 會出錯 → 夾到安全值
    d = min(TRANSITION_DURATION, min(durs) - 0.1)
    if d <= 0.05:
        print("[WARN] 片段太短,改用無轉場拼接。")
        ffmpeg_cut_concat(input_path, keeps, output_path, reencode=True,
                          tmp_parent=tmp_parent)
        return

    audio = has_audio(input_path)

    # 每個保留片段當成一個輸入(同一來源檔多次 -ss/-t 取段)
    cmd: List[str] = ["ffmpeg", "-y"]
    for (s, e) in keeps:
        cmd += ["-ss", f"{s:.3f}", "-t", f"{e - s:.3f}", "-i", input_path]

    # --- 組 filter_complex ---
    parts: List[str] = []

    # 畫面: 先把每段正規化(統一時間基準/格式),再逐段 xfade
    for i in range(n):
        parts.append(f"[{i}:v]settb=AVTB,format=yuv420p[v{i}]")
    prev = "v0"
    run_len = durs[0]
    for j in range(1, n):
        offset = run_len - d                      # 轉場在「目前累積長度 - d」處開始
        out = f"vx{j}"
        parts.append(
            f"[{prev}][v{j}]xfade=transition={VIDEO_TRANSITION}:"
            f"duration={d:.3f}:offset={offset:.3f}[{out}]")
        prev = out
        run_len = run_len + durs[j] - d           # xfade 後總長
    vlabel = prev

    # 聲音: 逐段 acrossfade(等功率 = 恆定功率)
    alabel = None
    if audio:
        prev_a = "0:a"
        for j in range(1, n):
            out = f"ax{j}"
            parts.append(
                f"[{prev_a}][{j}:a]acrossfade=d={d:.3f}:c1=qsin:c2=qsin[{out}]")
            prev_a = out
        alabel = prev_a
        # 串接完再做音量處理(音量增益 / 低通 / 強制壓限)
        af = _audio_filter_chain()
        if af:
            parts.append(f"[{alabel}]" + ",".join(af) + "[aout]")
            alabel = "aout"

    filtergraph = ";".join(parts)

    # --- 編碼器: 有 GPU 用 NVENC,否則 libx264 ---
    if use_gpu:
        venc = ["-c:v", "h264_nvenc", "-preset", "p5", "-cq", "19"]
    else:
        venc = ["-c:v", "libx264", "-preset", "medium", "-crf", "18"]

    cmd += ["-filter_complex", filtergraph, "-map", f"[{vlabel}]"]
    if audio:
        cmd += ["-map", f"[{alabel}]", "-c:a", "aac", "-b:a", "256k"]
    else:
        cmd += ["-an"]
    cmd += venc + ["-pix_fmt", "yuv420p", output_path]

    print(f"    轉場拼接 {n} 段(轉場 {d:.2f}s,畫面={VIDEO_TRANSITION},"
          f"聲音=恆定功率,編碼={'NVENC' if use_gpu else 'x264'})...")
    print("    ※ 4K 重新編碼較久,請耐心等候。")
    run_cmd(cmd)
    print(f"[INFO] 完成! 輸出檔案: {output_path}")


# ---------- preview: 輸出 ROI 預覽圖 ----------

def save_preview(video_path: str, roi: Tuple[int, int, int, int],
                 at_seconds: float = 0.0, prefix: str = "preview") -> None:
    """抽一幀,畫上 ROI 紅框並另存裁切結果,方便確認/微調座標。"""
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        raise RuntimeError(f"無法開啟影片: {video_path}")
    fps = cap.get(cv2.CAP_PROP_FPS) or 60.0
    cap.set(cv2.CAP_PROP_POS_FRAMES, int(at_seconds * fps))
    ok, frame = cap.read()
    cap.release()
    if not ok:
        raise RuntimeError("無法讀取預覽影格(試試把 --preview-at 設小一點)")

    x, y, w, h = roi
    vis = frame.copy()
    cv2.rectangle(vis, (x, y), (x + w, y + h), (0, 0, 255), 4)  # 紅框
    cv2.imwrite(f"{prefix}_roi.png", vis)                        # 整張畫面+紅框

    crop = frame[y:y + h, x:x + w]
    cv2.imwrite(f"{prefix}_crop.png", crop)                      # 裁切結果
    cv2.imwrite(f"{prefix}_crop_processed.png", preprocess_roi(crop))  # 前處理後

    print("[INFO] 已輸出預覽圖:")
    print(f"       {prefix}_roi.png            <--整張畫面,確認紅框是否框住時速表")
    print(f"       {prefix}_crop.png           <--裁切出的時速表區域")
    print(f"       {prefix}_crop_processed.png <--送進 OCR 前的前處理結果")
    print(f"       來源影片 = {video_path}")
    print(f"       目前 ROI = {roi}  (x, y, w, h)")
    print("       若框得不準,請修改檔案最上方的 ROI 變數或用 --roi 參數覆寫。")


# ---------- 小工具 ----------

def fmt_ts(seconds: float) -> str:
    """秒數 → HH:MM:SS 字串。"""
    seconds = max(0, int(round(seconds)))
    h, rem = divmod(seconds, 3600)
    m, s = divmod(rem, 60)
    return f"{h:02d}:{m:02d}:{s:02d}"


def natural_key(name: str):
    """自然排序鍵: 讓 1,2,...,10 正確排序(雖然 01,02 補零時一般排序也對)。"""
    return [int(t) if t.isdigit() else t.lower()
            for t in re.split(r'(\d+)', name)]


def find_videos(folder: str) -> List[str]:
    """找出資料夾內所有影片檔(只看第一層,不遞迴),依檔名自然排序。"""
    items = []
    for name in os.listdir(folder):
        full = os.path.join(folder, name)
        if os.path.isfile(full) and os.path.splitext(name)[1].lower() in VIDEO_EXTS:
            items.append(name)
    items.sort(key=natural_key)
    return [os.path.join(folder, n) for n in items]


def list_folders(base_dir: str) -> List[str]:
    """列出 base_dir 底下第一層的子資料夾,依名稱自然排序。"""
    items = []
    try:
        for name in os.listdir(base_dir):
            full = os.path.join(base_dir, name)
            if os.path.isdir(full):
                items.append(name)
    except FileNotFoundError:
        return []
    items.sort(key=natural_key)
    return [os.path.join(base_dir, n) for n in items]


# ---------- 互動式鍵盤選單 (Windows;用內建 msvcrt,免裝套件) ----------

def _getkey() -> str:
    """讀一個按鍵並回傳語意字串(UP/DOWN/ENTER/SPACE/ESC 或單一字元)。"""
    import msvcrt
    ch = msvcrt.getwch()
    if ch in ("\x00", "\xe0"):                 # 方向鍵等特殊鍵的前導碼
        ch2 = msvcrt.getwch()
        return {"H": "UP", "P": "DOWN", "K": "LEFT", "M": "RIGHT"}.get(ch2, "")
    if ch in ("\r", "\n"):
        return "ENTER"
    if ch == " ":
        return "SPACE"
    if ch == "\x1b":
        return "ESC"
    if ch == "\x03":                           # Ctrl-C
        raise KeyboardInterrupt
    return ch


def menu_select_one(title: str, labels: List[str]) -> Optional[int]:
    """單選選單。↑↓ 移動、Enter 或數字鍵選定、Esc 取消。回傳索引或 None。"""
    idx = 0
    n = len(labels)
    hint = "操作: ↑↓ 移動  |  Enter 選定  |  數字鍵直接選  |  Esc 取消"
    while True:
        os.system("cls")
        print("=" * 60)
        print(title)
        print("=" * 60)
        print(hint + "\n")
        for i, lab in enumerate(labels):
            cursor = ">" if i == idx else " "
            print(f" {cursor} {i + 1:>2}. {lab}")
        key = _getkey()
        if key == "UP":
            idx = (idx - 1) % n
        elif key == "DOWN":
            idx = (idx + 1) % n
        elif key == "ENTER":
            return idx
        elif key == "ESC":
            return None
        elif key.isdigit() and 1 <= int(key) <= n:
            return int(key) - 1


def menu_select_many(title: str, labels: List[str]) -> Optional[List[int]]:
    """
    多選選單。↑↓ 移動、空白鍵勾選/取消、a 全選或全不選、Enter 開始、Esc 取消。
    預設「全部勾選」(整批處理最常見)。回傳已選索引清單或 None。
    """
    idx = 0
    n = len(labels)
    checked = set(range(n))                     # 預設全選
    hint = ("操作: ↑↓ 移動  |  空白鍵 勾選/取消  |  a 全選切換  |  "
            "數字鍵 勾選/取消  |  Enter 開始處理  |  Esc 取消")
    while True:
        os.system("cls")
        print("=" * 60)
        print(title)
        print("=" * 60)
        print(hint + "\n")
        for i, lab in enumerate(labels):
            cursor = ">" if i == idx else " "
            box = "[v]" if i in checked else "[ ]"
            print(f" {cursor} {box} {i + 1:>2}. {lab}")
        print(f"\n   已勾選 {len(checked)} / {n} 支")
        key = _getkey()
        if key == "UP":
            idx = (idx - 1) % n
        elif key == "DOWN":
            idx = (idx + 1) % n
        elif key == "SPACE":
            checked.discard(idx) if idx in checked else checked.add(idx)
        elif key in ("a", "A"):
            checked = set() if len(checked) == n else set(range(n))
        elif key.isdigit() and 1 <= int(key) <= n:
            j = int(key) - 1
            checked.discard(j) if j in checked else checked.add(j)
        elif key == "ENTER":
            if checked:                         # 至少選一支才開始,避免誤按
                return sorted(checked)
        elif key == "ESC":
            return None


def run_selector(base_dir: str, out_list: str) -> int:
    """
    互動選擇器(給 啟動.bat 呼叫):
      1. 掃描 base_dir 列出資料夾 → 單選
      2. 掃描該資料夾影片 → 空白鍵打勾多選
    把選中的影片「絕對路徑」逐行寫到 out_list(UTF-8)。
    取消或沒選 → 不產生 out_list,回傳非 0,bat 端據此中止。
    回傳 0 表示成功寫出清單。
    """
    # 只列出「有影片」的資料夾(略過 redlight_remover 等沒有影片的)
    folders = [(f, vs) for f in list_folders(base_dir) if (vs := find_videos(f))]
    if not folders:
        print(f"[ERROR] 在 {base_dir} 底下找不到含影片的資料夾。")
        return 2

    flabels = [f"{os.path.basename(f)}   ({len(vs)} 支影片)" for f, vs in folders]
    sel = menu_select_one(f"選擇要處理的資料夾   (根目錄: {base_dir})", flabels)
    if sel is None:
        print("已取消。")
        return 1
    folder, allvids = folders[sel]   # allvids 已在上面篩出,不必重抓

    vlabels = []
    for v in allvids:
        try:
            gb = os.path.getsize(v) / (1024 ** 3)
            vlabels.append(f"{os.path.basename(v)}   ({gb:.1f} GB)")
        except OSError:
            vlabels.append(os.path.basename(v))
    picks = menu_select_many(
        f"勾選要去紅燈的影片   (資料夾: {os.path.basename(folder)})", vlabels)
    if picks is None:
        print("已取消。")
        return 1

    chosen = [allvids[i] for i in picks]
    with open(out_list, "w", encoding="utf-8") as f:
        for p in chosen:
            f.write(os.path.abspath(p) + "\n")

    os.system("cls")
    print(f"已選擇 {len(chosen)} 支影片(資料夾 {os.path.basename(folder)}):")
    for p in chosen:
        print(f"   - {os.path.basename(p)}")
    return 0


def resolve_input(arg: str, base_dir: str) -> str:
    """
    把使用者輸入解析成實際路徑:
      1. 若 arg 本身就是存在的檔案或資料夾 → 直接用
      2. 否則嘗試 base_dir\\arg(例如只打 20260502)
    回傳實際存在的路徑;找不到則丟出錯誤。
    """
    if os.path.exists(arg):
        return arg
    candidate = os.path.join(base_dir, arg)
    if os.path.exists(candidate):
        return candidate
    raise FileNotFoundError(
        f"找不到輸入: '{arg}'(也試過 '{candidate}')")


def write_csv(samples: List[Sample], path: str) -> None:
    """把每秒辨識結果寫成 CSV,方便檢查 OCR 準不準。"""
    with open(path, "w", newline="", encoding="utf-8-sig") as f:
        writer = csv.writer(f)
        writer.writerow(["time_s", "time_hms", "speed", "confidence",
                         "raw_text", "stopped"])
        for s in samples:
            writer.writerow([
                f"{s.t:.1f}", fmt_ts(s.t),
                "" if s.speed is None else s.speed,
                f"{s.conf:.2f}", s.raw, int(is_stopped(s)),
            ])
    print(f"[INFO] 已輸出逐秒辨識紀錄: {path}")


def check_ffmpeg() -> None:
    """確認 ffmpeg 可用,否則提早給出清楚的錯誤訊息。"""
    if shutil.which("ffmpeg") is None:
        sys.exit("[ERROR] 找不到 ffmpeg。請先安裝 FFmpeg 並加入系統 PATH,"
                 "再重新執行(可用 `ffmpeg -version` 測試是否裝好)。")


# ---------- 處理單一影片 ----------

def process_one(video_path: str, roi: Tuple[int, int, int, int],
                out_dir: str, reader, args,
                out_file: Optional[str] = None) -> dict:
    """
    對單一影片完整跑一次:辨識 → 算保留區段 → 切割拼接。
    out_file 若指定則用該完整檔名,否則自動命名放到 out_dir(no_redlight 資料夾)。
    回傳一個結果摘要 dict。
    """
    stem = Path(video_path).stem
    ext = Path(video_path).suffix or ".mp4"
    if out_file:
        out_path = out_file
        out_dir = os.path.dirname(os.path.abspath(out_file)) or "."
    else:
        out_path = os.path.join(out_dir, f"{stem}{OUTPUT_SUFFIX}{ext}")
    csv_path = os.path.join(out_dir, f"{stem}_speeds.csv")

    print("\n" + "=" * 60)
    print(f"處理: {os.path.basename(video_path)}")
    print("=" * 60)

    debug_dir = None
    if args.debug_dir:
        debug_dir = os.path.join(args.debug_dir, stem)
        os.makedirs(debug_dir, exist_ok=True)

    # 1. 逐秒辨識
    samples, duration, fps = sample_speeds(
        video_path, roi, args.interval, reader, debug_dir=debug_dir)

    # 2. 輸出逐秒紀錄
    write_csv(samples, csv_path)

    # 3. 計算保留/移除區段
    keeps, removals = find_keep_intervals(samples, duration, args.interval)

    removed_total = sum(e - s for s, e in removals)
    kept_total = sum(e - s for s, e in keeps)
    print(f"[結果] 總長 {fmt_ts(duration)} | 紅燈 {len(removals)} 段(移除 "
          f"{fmt_ts(removed_total)})| 保留 {len(keeps)} 段({fmt_ts(kept_total)})")
    for idx, (s, e) in enumerate(removals, 1):
        print(f"       移除#{idx}: {fmt_ts(s)} ~ {fmt_ts(e)}  (停 {e - s:.0f}s)")

    if not keeps:
        print("[WARN] 沒有可保留的片段,跳過此檔(請檢查 ROI 與 speeds.csv)。")
        return {"file": stem, "status": "skipped_no_keep",
                "removed": removed_total}

    # 4. FFmpeg 切割 + 拼接
    audio_proc = VOLUME_BOOST or HARD_LIMITER or LOWPASS
    if TRANSITION and len(keeps) >= 1:
        # 有轉場: xfade 淡出淡入 + acrossfade 恆定功率 + 音量處理(需重新編碼)
        ffmpeg_cut_concat_xfade(video_path, keeps, out_path,
                                use_gpu=args.gpu, tmp_parent=out_dir)
    else:
        if audio_proc:
            print("[WARN] 音量處理(音量增益/強制壓限/低通)需重新編碼,"
                  "目前 transition=false 為無損模式,音訊將維持原樣不處理。")
        # 無轉場: 維持無損快剪
        ffmpeg_cut_concat(video_path, keeps, out_path, args.reencode,
                          tmp_parent=out_dir)
    return {"file": stem, "status": "ok", "output": out_path,
            "removed": removed_total, "redlights": len(removals)}


# ---------- 設定檔 (config.json) ----------

CONFIG_NAME = "config.json"

# 設定檔的 key → 全域變數名稱。值的型別由 JSON 本身決定(數字/布林/陣列)。
_CONFIG_KEYS = {
    "roi":             "ROI",             # [x, y, w, h] 四個數字
    "sample_interval": "SAMPLE_INTERVAL",
    "progress_every":  "PROGRESS_EVERY",
    "stop_seconds":    "STOP_SECONDS",
    "speed_threshold": "SPEED_THRESHOLD",
    "min_confidence":  "MIN_CONFIDENCE",
    "smooth_window":   "SMOOTH_WINDOW",
    "merge_gap":       "MERGE_GAP",
    "cut_before_stop": "CUT_BEFORE_STOP",
    "keep_after_stop": "KEEP_AFTER_STOP",
    "min_keep":        "MIN_KEEP",
    "use_gpu":         "USE_GPU",
    "reencode":        "REENCODE",
    "transition":         "TRANSITION",
    "transition_duration": "TRANSITION_DURATION",
    "video_transition":   "VIDEO_TRANSITION",
    "volume_boost":          "VOLUME_BOOST",
    "volume_boost_percent":  "VOLUME_BOOST_PERCENT",
    "hard_limiter":          "HARD_LIMITER",
    "lowpass":               "LOWPASS",
    "lowpass_hz":            "LOWPASS_HZ",
    "base_dir":        "BASE_DIR",
}


def _current_config() -> dict:
    """把目前的全域參數打包成 dict,用來寫出預設設定檔。"""
    cfg = {}
    for key, gname in _CONFIG_KEYS.items():
        val = globals()[gname]
        cfg[key] = list(val) if isinstance(val, tuple) else val
    return cfg


def load_config(script_dir: str) -> Optional[str]:
    """
    讀取與程式同目錄的 config.json,把參數覆寫到全域變數。
    若檔案不存在,會用目前內建預設「自動產生一份」,方便使用者直接編輯。
    回傳設定檔路徑(讀取或產生失敗則回 None)。
    """
    path = os.path.join(script_dir, CONFIG_NAME)

    # 不存在 → 產生一份預設設定檔
    if not os.path.exists(path):
        try:
            with open(path, "w", encoding="utf-8") as f:
                json.dump(_current_config(), f, ensure_ascii=False, indent=2)
            print(f"[INFO] 已產生預設設定檔: {path}")
        except OSError as e:
            print(f"[WARN] 無法產生設定檔({e}),改用內建預設。")
        return path

    # 存在 → 讀取並套用
    try:
        with open(path, encoding="utf-8-sig") as f:
            data = json.load(f)
    except (OSError, json.JSONDecodeError) as e:
        print(f"[WARN] 設定檔讀取/解析失敗({e}),改用內建預設: {path}")
        return None
    if not isinstance(data, dict):
        print(f"[WARN] 設定檔格式不是物件(應為 {{...}}),改用內建預設: {path}")
        return None

    applied = []
    for key, val in data.items():
        if key not in _CONFIG_KEYS:
            print(f"[WARN] 設定檔: 不認識的項目『{key}』,略過")
            continue
        gname = _CONFIG_KEYS[key]
        try:
            if key == "roi":
                nums = [int(x) for x in val]
                if len(nums) != 4:
                    raise ValueError("roi 需要 4 個數字 [x, y, w, h]")
                globals()["ROI"] = tuple(nums)
            else:
                globals()[gname] = val
            applied.append(f"{key}={val}")
        except (TypeError, ValueError) as e:
            print(f"[WARN] 設定檔『{key}={val}』無效: {e}(沿用預設)")

    if applied:
        print(f"[INFO] 已套用設定檔 ({CONFIG_NAME}): " + ", ".join(applied))
    return path


# ---------- 主程式 ----------

def main():
    # global 宣告必須在這兩個變數第一次被使用之前(argparse default 也算使用),
    # 否則 Python 3.14 會報 "used prior to global declaration"
    global STOP_SECONDS, SAMPLE_INTERVAL

    # 先讀設定檔(覆寫全域預設),再建 argparse —— 讓 CLI 參數仍可再覆寫設定檔
    load_config(os.path.dirname(os.path.abspath(__file__)))

    parser = argparse.ArgumentParser(
        description="安全帽機車影片 — 自動去紅燈剪輯工具(支援資料夾批次)",
        formatter_class=argparse.ArgumentDefaultsHelpFormatter,
    )
    parser.add_argument("input", nargs="*", default=None,
                        help="影片檔(可多個)、資料夾路徑,或只打資料夾名稱(會到 BASE_DIR 底下找),"
                             "例如: 20260502。不給則進入互動選單")
    parser.add_argument("--select", action="store_true",
                        help="啟動.bat 專用: 顯示資料夾/影片選單,把勾選的影片寫到 --out-list 後結束")
    parser.add_argument("--out-list", default=None,
                        help="搭配 --select: 選好的影片絕對路徑會逐行寫到這個檔案")
    parser.add_argument("-o", "--output", default=None,
                        help="單檔模式: 輸出檔路徑;資料夾模式: 輸出資料夾。"
                             "不指定則自動放到 <資料夾>\\no_redlight\\")
    parser.add_argument("--base-dir", default=BASE_DIR,
                        help="只輸入資料夾名稱時的根目錄")
    parser.add_argument("--roi", nargs=4, type=int, metavar=("X", "Y", "W", "H"),
                        help="覆寫 ROI 座標 (x y w h),不指定則用檔案內的 ROI 常數")
    parser.add_argument("--interval", type=float, default=SAMPLE_INTERVAL,
                        help="每隔幾秒辨識一次")
    parser.add_argument("--stop-seconds", type=float, default=STOP_SECONDS,
                        help="時速 0 連續超過幾秒判定為紅燈")
    parser.add_argument("--gpu", action="store_true", default=USE_GPU,
                        help="EasyOCR 使用 GPU")
    parser.add_argument("--reencode", action="store_true", default=REENCODE,
                        help="重新編碼(切點精準到幀,但較慢、非無損)")
    parser.add_argument("--preview", action="store_true",
                        help="只輸出 ROI 預覽圖後結束(資料夾模式抽第一支影片)")
    parser.add_argument("--preview-at", type=float, default=0.0,
                        help="預覽要抽第幾秒的畫面")
    parser.add_argument("--preview-file", default=None,
                        help="資料夾模式下,指定要用哪支影片做預覽(檔名)")
    parser.add_argument("--debug-dir", default=None,
                        help="把每個取樣點的 ROI 存到此資料夾(除錯用)")
    args = parser.parse_args()

    # 套用全域參數覆寫 (讓 CLI 參數優先)
    STOP_SECONDS = args.stop_seconds
    SAMPLE_INTERVAL = args.interval
    roi = tuple(args.roi) if args.roi else ROI

    # === --select: 啟動.bat 專用選擇器,選好寫出清單檔後結束 ===
    if args.select:
        if not args.out_list:
            sys.exit("[ERROR] --select 需搭配 --out-list <清單檔路徑>")
        sys.exit(run_selector(args.base_dir, args.out_list))

    inputs = list(args.input) if args.input else []
    out_dir = None
    single_named_output = None

    if len(inputs) >= 2:
        # === 多個影片檔: 啟動.bat 勾選好後帶參數呼叫(主要路徑)===
        videos = []
        for p in inputs:
            try:
                videos.append(resolve_input(p, args.base_dir))
            except FileNotFoundError as e:
                sys.exit(f"[ERROR] {e}")
        base_folder = os.path.dirname(os.path.abspath(videos[0]))
        out_dir = args.output if args.output else os.path.join(base_folder, OUTPUT_SUBDIR)
        print(f"[INFO] 已指定 {len(videos)} 支影片,準備處理:")
        for v in videos:
            print(f"         - {os.path.basename(v)}")

    elif len(inputs) == 0:
        # === 互動後備: 直接執行 py 沒帶參數時,自己跳選單 ===
        folders = [(f, vs) for f in list_folders(args.base_dir)
                   if (vs := find_videos(f))]
        if not folders:
            sys.exit(f"[ERROR] 在 {args.base_dir} 底下找不到含影片的資料夾。")
        flabels = [f"{os.path.basename(f)}   ({len(vs)} 支影片)" for f, vs in folders]
        sel = menu_select_one(f"選擇要處理的資料夾   (根目錄: {args.base_dir})", flabels)
        if sel is None:
            print("已取消。")
            return
        in_path, allvids = folders[sel]
        vlabels = []
        for v in allvids:
            try:
                gb = os.path.getsize(v) / (1024 ** 3)
                vlabels.append(f"{os.path.basename(v)}   ({gb:.1f} GB)")
            except OSError:
                vlabels.append(os.path.basename(v))
        picks = menu_select_many(
            f"勾選要去紅燈的影片   (資料夾: {os.path.basename(in_path)})", vlabels)
        if picks is None:
            print("已取消。")
            return
        videos = [allvids[i] for i in picks]
        out_dir = os.path.join(in_path, OUTPUT_SUBDIR)
        os.system("cls")
        print(f"[INFO] 資料夾: {in_path}")
        print(f"[INFO] 已選 {len(videos)} 支影片,準備處理:")
        for v in videos:
            print(f"         - {os.path.basename(v)}")

    else:
        # === 單一輸入: 影片檔 / 資料夾 / 只給資料夾名稱 ===
        try:
            in_path = resolve_input(inputs[0], args.base_dir)
        except FileNotFoundError as e:
            sys.exit(f"[ERROR] {e}")
        if os.path.isdir(in_path):
            videos = find_videos(in_path)
            if not videos:
                sys.exit(f"[ERROR] 資料夾內找不到影片檔: {in_path}\n"
                         f"        支援的副檔名: {sorted(VIDEO_EXTS)}")
            print(f"[INFO] 資料夾: {in_path}")
            print(f"[INFO] 找到 {len(videos)} 支影片:")
            for v in videos:
                print(f"         - {os.path.basename(v)}")
            out_dir = args.output if args.output else os.path.join(in_path, OUTPUT_SUBDIR)
        else:
            videos = [in_path]
            if args.output and os.path.splitext(args.output)[1]:
                single_named_output = args.output
                out_dir = os.path.dirname(os.path.abspath(args.output)) or "."
            else:
                out_dir = args.output if args.output else os.path.dirname(os.path.abspath(in_path))

        # --- preview 模式: 確認 ROI 後就結束(僅單一輸入支援)---
        if args.preview:
            target = videos[0]
            if args.preview_file:
                p2 = [v for v in videos if os.path.basename(v) == args.preview_file]
                if p2:
                    target = p2[0]
            save_preview(target, roi, args.preview_at, prefix="preview")
            return

    check_ffmpeg()
    os.makedirs(out_dir, exist_ok=True)
    if args.debug_dir:
        os.makedirs(args.debug_dir, exist_ok=True)

    # 載入 OCR 模型(只載一次,所有影片共用)
    reader = build_reader(args.gpu)

    # 逐支處理;單支失敗不影響其他支
    results = []
    for v in videos:
        try:
            res = process_one(v, roi, out_dir, reader, args,
                              out_file=single_named_output)
            results.append(res)
        except Exception as e:
            print(f"[ERROR] 處理 {os.path.basename(v)} 失敗: {e}")
            results.append({"file": Path(v).stem, "status": "error",
                            "error": str(e)})

    # 總結
    print("\n" + "#" * 60)
    print("# 全部處理完成 — 總結")
    print("#" * 60)
    for r in results:
        if r["status"] == "ok":
            print(f"  [OK]   {r['file']}: 去除 {r['redlights']} 個紅燈,共 "
                  f"{fmt_ts(r['removed'])} -> {r['output']}")
        elif r["status"] == "skipped_no_keep":
            print(f"  [SKIP] {r['file']}: 略過(沒有可保留片段)")
        else:
            print(f"  [FAIL] {r['file']}: {r.get('error', '')}")


if __name__ == "__main__":
    main()