平滑改為『只對可信讀數取中位數、空白跳過』+ 信心門檻 0.7

原本『讀不到一律當0』會把行駛中的慢速起步(creep, 如3/7/12km/h)+空白蓋成停,
誤剪掉起步畫面(實例: 02 的 03:25 起步被剪到 03:32)。
改為: 平滑時跳過空白/低信心,只對可信讀數取中位數;整個視窗都讀不到才當0。
停車段空白被周圍0判成停、行駛段空白被周圍車速判成動,兩者兼顧。
信心門檻 0.5->0.7,濾掉停車時的低信心誤讀(如把0看成70@0.57)。
實測 02: #3 由 03:11~03:32 縮為 03:13~03:20(creep 保留)。

本次調整由 Claude Opus 4.8 (1M context) 協助處理。

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

README.md

@@ -85,7 +85,7 @@ python auto_remove_redlight.py 01.MOV 03.MOV 05.MOV
 | `progress_every` | `60` | 進度回報間隔（秒），純顯示用，不影響效能 |
 | `stop_seconds` | `4.0` | 連續停車超過幾秒判定為紅燈 |
 | `speed_threshold` | `0` | 時速 ≤ 此值視為停止 |
-| `min_confidence` | `0.5` | OCR 信心低於此值視為雜訊 |
+| `min_confidence` | `0.7` | OCR 信心低於此值視為「讀不到」（交給平滑用前後判斷）|
 | `smooth_window` | `5` | 中位數濾波視窗（取樣點數） |
 | `depart_seconds` | `8.0` | 起步門檻（秒）：兩段停車間「持續行駛」需達到（滿）此秒數才算起步成功並保留（含這 8 秒）；不足者（起步 N 秒內又停）視為仍在等待，連同短暫蠕動一起剪掉（處理車陣走走停停） |
 | `cut_before_stop` | `2.0` | 進入紅燈端（速度到 0）移除起點再往前幾秒，連減速進站一起砍 |
@@ -139,7 +139,7 @@ python auto_remove_redlight.py 01.MOV 03.MOV 05.MOV
 1. 用 OpenCV 每隔 N 秒抽一幀
 2. 裁切出畫面上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. 對逐秒時速做平滑濾波（**讀不到一律當 0** + 中位數），壓掉停車時的跳動雜訊與誤讀
+4. 對逐秒時速做平滑濾波（**只對可信讀數取中位數、空白跳過；整個視窗都讀不到才當 0**），停車段的空白被周圍的 0 判成停、行駛段的空白被周圍車速判成動，避免誤剪慢速起步
 5. 時速持續為 0 超過門檻 → 判定為等紅燈，標記移除（走走停停會合併、結尾停車砍到底）
 6. 用 FFmpeg 切割保留片段並拼接（可選淡出淡入轉場 + 音量處理），輸出去紅燈影片
 7. 另輸出 `*_cut_log.txt` 剪輯紀錄，記下哪些片段被剪、原因

auto_remove_redlight.py

@@ -91,8 +91,8 @@ SAMPLE_INTERVAL = 1.0               # 每隔幾秒辨識一次 (秒)。1.0 = 每
 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)
+MIN_CONFIDENCE  = 0.70              # OCR 信心低於此值的結果視為「未知」(交給平滑用前後判斷)
-                                    #   提高到 0.5 可濾掉停車時偶發的低信心雜訊(如 60@0.39)
+                                    #   0.7 可濾掉停車時的低信心誤讀(如把 0 看成 70@0.57)
 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)----
@@ -306,27 +306,27 @@ def is_stopped(s: Sample) -> bool:
 
 def smooth_speeds(samples: List[Sample], window: int) -> List[int]:
     """
-    對逐秒速度做「讀不到當 0 + 中位數濾波」,壓掉停車時的跳動雜訊。
+    對逐秒速度做平滑,壓掉停車時的跳動雜訊,同時不誤殺慢速起步(creep)。
-      1. 讀不到(None/??)一律當作 GPS=0(停止)。停車時 OCR 常讀不到或誤讀成小數字,
+    做法:每個取樣點取前後 window//2 範圍內「可信讀數(speed 不為 None)」的中位數;
-         當 0 處理後,孤立的誤讀(如把 0 看成 70)會被中位數吃掉,避免假性「起步」。
+         空白/低信心(None)『跳過不計』,而不是當 0。
-      2. 中位數濾波: 每個點取前後 window//2 範圍的中位數,孤立雜訊(單格 6/60/70)會被吃掉。
+      - 讀不到時改由前後決定: 前後都在停(0)→中位數 0(停);前後在動→中位數非0(動)。
+        這樣停車段的空白會被周圍的 0 判成停,行駛段的空白會被周圍的車速判成動。
+      - 整個視窗都讀不到才視為 0(停止)。
+      - 孤立的誤讀(被高信心門檻 + 中位數雙重過濾)會被周圍多數吃掉。
     回傳與 samples 等長的整數速度陣列。
     """
     n = len(samples)
     if n == 0:
         return []
 
-    # --- 1) 讀不到(None)一律當 0 ---
-    filled: List[int] = [s.speed if s.speed is not None else 0 for s in samples]
-
-    # --- 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])
+        vals = sorted(samples[k].speed for k in range(lo, hi)
-        smoothed[i] = win[len(win) // 2]
+                      if samples[k].speed is not None)
+        smoothed[i] = vals[len(vals) // 2] if vals else 0  # 全讀不到 → 視為停止
     return smoothed
 
 

config.json

@@ -9,7 +9,7 @@
   "progress_every": 60,
   "stop_seconds": 4.0,
   "speed_threshold": 0,
-  "min_confidence": 0.5,
+  "min_confidence": 0.7,
   "smooth_window": 7,
   "depart_seconds": 8.0,
   "cut_before_stop": 2.0,