帮助朋友翻查监控录像时，画面里出现了大量陌生人的面孔。直接外发涉及法律风险------面部属于个人信息，公开传播可能踩线；保留原始画面又无法通过内容审核。需要在证据可用性和合规之间做取舍。
这个问题的工程难点在于质量波动。监控环境的光照、角度和分辨率各不相同。
低光照条件下的检测问题
夜视或红外模式下的监控画面，面部区域几乎丧失纹理特征。传统基于RGB的检测器在这种条件下容易漏检或产生误框。处理方法是先做直方图均衡化（equalizeHist）提升对比度，对暗区单独增强后再送进检测模型。
分辨率不足的问题
部分监控视频只有VGA级别（640x480），目标占据的像素很少。小目标的召回率会显著下降。解决办法是把原帧放大2到3倍再送检------超分辨率模型对小人脸也有帮助。但要注意放大的代价：计算量增加、噪点被同步放大，可能引入更多假阳性。
多目标场景的处理策略
监控画面往往同时出现多人、车辆和其他物体。对证据类视频来说，不需要也不应该全部脱敏------只有与事件无关的第三方才需要打码。这里需要引入一个"相关性判断"：先靠行为分析（是否出现在时间线上关键事件发生的区域）和空间关系过滤掉背景中无关人物。
代码层面的取舍
在实现中遇到过一个典型问题：检测置信度阈值的设定会影响最终效果。太高会漏检部分人脸，太低则误打码严重。实践中采用动态阈值------根据画面中检测到的总人数自动调整，当人数超过某个数时放宽阈值并加一次后处理去冗余。
另一个坑是：macOS下用OpenCV读视频时默认后端是AVFoundation，会在主线程派发回调，导致后台任务死锁。解决方式是把VideoCapture的backend强制指定为FFmpeg。这个细节在不同平台上表现不一致，跨平台开发时必须注意。
导出前的校验
处理完的画面需要过一遍：用脚本统计打码区域的数量和覆盖范围，检查是否有遗漏的小目标。手动在预览里逐帧看比任何自动化检测都可靠------尤其是对一些遮挡严重或角度极端的人脸，自动处理的召回率不会稳定。
遇到监控视频外发需求时，先确认用途是证据提交还是公开传播，前者可以在原始素材上做标注而不破坏关键像素，后者才需要彻底脱敏。这个判断会直接影响技术方案的选择。
本文来自抹影的开发笔记。