FFmpeg场景检测：为选中帧叠加原始帧编号的实现问题

你的思路很对，确实需要让场景检测和文字叠加的操作完全独立，不过其实不用复杂的流拆分合并，通过**帧元数据（metadata）**就能轻松解决这个问题——核心思路是先把原始帧编号存入帧的元数据（这个操作不会改变画面，完全不影响场景检测），等选出目标帧后，再从元数据中读取原始编号进行叠加。

最终命令 #

ffmpeg -i video.mp4 -vf "
metadata=add:key=original_frame:value=%{frame_num},
select=gt(scene\,0.003),
drawtext=fontfile=/Windows/Fonts/Arial.ttf: text='frame\: %{metadata:original_frame}': x=(w-tw)/2: y=h-(2*lh): fontcolor=white: box=1: boxcolor=0x00000000@1: fontsize=30,
setpts=N/(30*TB)
" frame%d.jpg

命令拆解 #

1. metadata=add:key=original_frame:value=%{frame_num}：
   把当前帧的原始编号（%{frame_num}）存入名为original_frame的元数据字段中，这个操作仅修改帧的元信息，不会改变画面像素，所以场景检测完全基于原始视频内容，不会误判文字变化。
2. select=gt(scene\,0.003)：
   执行你原本的场景检测逻辑，筛选出与前一帧差异较大的帧，此时选中的帧依然携带我们之前存入的原始帧编号元数据。
3. drawtext滤镜：
   不再直接用%{frame_num}（这个会返回筛选后的连续编号），而是用%{metadata:original_frame}读取我们提前存入的原始帧编号，实现正确的编号叠加。
4. setpts=N/(30*TB)：
   调整输出帧的时间戳，让生成的图片编号保持连续（比如frame1.jpg、frame2.jpg），和你原本的需求一致。

备选方案：用split分离流（如果你偏好这种方式） #

如果一定要用流拆分的思路，我们可以把输入流拆成两个分支：一个分支专门做场景检测（不碰画面），另一个分支叠加文字，然后通过overlay同步并只保留场景检测选中的帧：

ffmpeg -i video.mp4 -filter_complex "
split [src][scene_detect];
# 分支1：仅做场景检测，标记需要保留的帧
[scene_detect] select=gt(scene\,0.003), setpts=PTS-STARTPTS [selected];
# 分支2：给所有帧叠加原始编号
[src] drawtext=fontfile=/Windows/Fonts/Arial.ttf:text='frame: %{frame_num}':x=(w-tw)/2:y=h-2*lh:fontcolor=white:box=1:boxcolor=black@0.5:fontsize=30 [texted];
# 同步两个分支，只保留selected分支存在的帧
[texted][selected] overlay=shortest=1, select=gt(n\,0) [out];
# 调整输出帧的时间戳
[out] setpts=N/(30*TB)
" -map "[out]" frame_%d.jpg

不过这个方案比元数据方法更复杂，且性能稍差，所以更推荐第一种方式。

内容的提问来源于stack exchange，提问作者Fugi