检测到每一帧或者每一场景的焦点位置之后，我们会做一个聚焦中心的构建，会用到几个策略。稳像策略，就是平滑相邻帧微小的位移；第二个点就是连续变化，一直在平移的这种做了一个拟合，拟合的目的是为了减小AI焦点文件中的数据总量。
稳像策略我们可以看到上图右侧结果，多数场景下它都是平的线段，代表了当前人物的中心点是没有变化的，虽然可能有说话或者其他手部动作的，但不会影响整个人物中心的变化。如果说有连续的尖峰或者短的尖峰，结果就是画面出现频繁变化，就会出现抖动的问题。我们也举了一个例子，比如在箭头所指的区域是一个斜线，其中描述的拟合点，代表是逐步平移的中心点。
字幕识别的目的是为了展示完整的字幕，因为在竖屏沉浸播放的时候，字幕会被截断。字幕识别首先需要找到原始整个字幕的位置，文本的剧情内容和持续的时长，这里也会针对异常的数据进行剔除，异常数据来源主要是图像内容的广告牌或者其他内容中被误检的文字，根据字幕出现的位置点和时长的规则关系会剔除一部分噪声数据，比如字幕时长大于300ms或者底部居中，不符合的数据就会被剔除掉
在今年2月份，谷歌也开展了类似的工作，推出了一个叫Auto Flip的产品，我们用他们的算法做了一个检测的对比，上图为某一视频跑出的数据结果。我们可以发现在起始的部分蓝色的线在剧烈的抖动，说明镜头是在一直变化的，而爱奇艺的分析结果可以发现是比较平滑的。在其他的位置也可以看到很多不同的差异，这是由于两套算法对不同识别结果的分配权重不同而产生的结果差异。我们可以看到谷歌给出的样例小视频与我们爱奇艺处理后的对比分析结果。
左边1/2是原始视频，右边1/2是两份结果，结果中左侧是爱奇艺的沉浸播放结果，右侧是谷歌 Auto Flip结果。我们会发现很有意思的点，在有人物的地方都可以被正确的检测，尤其是单人的情况下，二者比较一致。但是在有些场景，比如双人场景下，爱奇艺会将焦点人物完整的展示出来，而谷歌的结果就会有一些偏差。并且在一些场面下，爱奇艺能够准确地识别到说话的人，而谷歌却选择聚焦距离镜头较近的两个人。
呈现的结果与算法的权重分配有一定关系，同时具有一定的主观性，所以我们不太容易评判谁优谁劣，但总体来看爱奇艺的结果还是比较符合我们的预期和人们的观看习惯的。
接下来我们介绍一下终端的相关内容。终端做的事情包括：窗口尺寸自适应、自动与手动的双模式切换、字幕回写、横屏竖屏自由的旋转切换。
