如何从滚动字幕视频中提取文本并保存为TXT文件？

问题描述 #

从视频逐帧OCR提取滚动字幕时，会因帧内容重复得到大量冗余文本，需要提取完整且唯一的字幕内容。

原代码的问题 #

原代码仅通过判断文本结尾是否带-来识别滚动字幕，但未做去重处理，导致重复文本大量累积；同时未利用定义的置信度阈值，也没有针对滚动字幕的跨行续接逻辑优化。

改进后的代码 #

import cv2
import easyocr

# 初始化EasyOCR识别器（支持英文）
reader = easyocr.Reader(['en'])

# 打开目标视频文件
video = cv2.VideoCapture('path/to/video')

# 配置关键参数
confidence_threshold = 0.65  # OCR结果置信度阈值
frame_skip = 5  # 跳帧间隔，减少重复检测
processed_lines = set()  # 存储已处理的文本行，用于去重
current_partial_line = ""  # 处理跨行续接的不完整文本

while True:
    ret, frame = video.read()
    if not ret:
        break

    # 跳帧处理，降低重复检测频率
    if int(video.get(cv2.CAP_PROP_POS_FRAMES)) % frame_skip != 0:
        continue

    # 帧预处理：转灰度+二值化，提升OCR准确率
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

    # 带置信度的OCR识别，保留细节用于过滤
    results = reader.readtext(binary, detail=1, paragraph=True, text_threshold=0.50)

    for result in results:
        text = result[1]
        confidence = result[2]
        # 过滤低置信度结果
        if confidence < confidence_threshold:
            continue

        # 处理跨行续接：如果当前有未完成的行，先拼接
        if current_partial_line:
            text = current_partial_line.rstrip('-') + text
            current_partial_line = ""

        # 判断是否是不完整的行（结尾带-，说明下帧会续接）
        if text.endswith('-'):
            current_partial_line = text
            continue

        # 去重：仅保留未处理过的文本行
        if text not in processed_lines:
            processed_lines.add(text)

# 处理最后可能剩余的不完整行
if current_partial_line:
    processed_lines.add(current_partial_line.rstrip('-'))

# 将唯一文本写入输出文件
with open('output.txt', 'w', encoding='utf-8') as f:
    for line in sorted(processed_lines):
        f.write(line + '\n')

关键改进点 #

• 跳帧处理：通过frame_skip参数跳过部分帧，减少重复OCR的次数，提升效率
• 去重机制：用processed_lines集合存储已提取的文本，避免重复内容写入
• 跨行续接处理：追踪末尾带-的不完整行，和下一帧的对应文本拼接，保证内容完整
• 置信度过滤：利用定义的阈值过滤低可信度的OCR结果，提升文本准确性
• 文件写入优化：使用覆盖写入（w模式）而非追加，避免多次运行时的内容重复

内容的提问来源于stack exchange，提问作者Akash Desai