解决了一个有趣的技术难题：如何让 PiP 不读取自己的文字

做 TransPeek 的时候遇到一个很有意思的问题：PiP 悬浮窗显示翻译结果 → ReplayKit 捕获整个屏幕（包括 PiP ）→ OCR 识别到 PiP 里的文字 → 翻译引擎把翻译结果再翻译一遍 → 循环。

这个问题如果不解决，用户看到的就是一堆乱七八糟的重复翻译。

思路

核心问题：在 ReplayKit 捕获的帧中，找到 PiP 窗口的位置，把这块区域从 OCR 输入中排除。

难点：

1. Extension 是独立进程，不知道 PiP 的坐标
2. PiP 可以被用户拖动到屏幕任意位置
3. 不能用 accessibility API （ Extension 没有权限）

所以只能通过图像本身来检测。

方案一：帧差分检测

给 PiP 加一个动画彩虹边框，色相每 4 秒旋转一周。这意味着连续两帧之间，PiP 边框的像素颜色一定会变化，而且颜色鲜艳（高饱和度）。

for 每个像素 (x, y):
    diff = abs(frame_n[x,y] - frame_n-1[x,y])
    if diff > threshold AND saturation(frame_n[x,y]) > 0.5:
        candidate_pixels.append((x, y))

// 对候选像素的 x 、y 坐标做统计
// 中位数确定中心，四分位数确定边界
bounds = computeBoundsFromQuantiles(candidate_pixels)

优点：只要边框在动，就能检测到。 缺点：需要两帧才能检测，启动时第一帧无法检测。

方案二：模板匹配检测

对于纯色边框（红、蓝、绿等），单帧就能检测。

逻辑：

1. 扫描帧中的特定颜色像素
2. 找到连通区域
3. 验证尺寸（约 800x400px @ 3x ）
4. 验证宽高比（ 1.2-3.0 ）
5. 验证边缘像素浓度（边框的特征是颜色集中在边缘）

候选区域面积验证 → 宽高比验证 → 边缘浓度验证 → 通过

稳定性

两套算法的结果还需要做稳定性处理：

• 位置抖动过滤：偏移 < 6px 视为不动
• 丢失容忍：连续 3 次未检测到才清除位置（ 1fps 就是 3 秒容忍）
• 横竖屏切换：立即重置所有状态，重新检测

实际效果

调参花了不少时间，但最终效果还不错。彩虹边框在绝大多数背景下都能被检测到，纯色边框在颜色不冲突的场景也很稳定。用户可以根据使用场景选择边框样式。

这个问题让我意识到，有些看起来简单的需求，背后的技术挑战其实很有趣。如果有更好的方案欢迎讨论。