行車紀錄器影片長度的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

以數位影像評估行車速度方法之探討

為了解決行車紀錄器影片長度的問題，作者蘇愷安 這樣論述：

現今，行動電話、數位相機、監視器和行車記錄器等3C產品無處不在，相關影像設備記錄交通事故情況變得越來越頻繁，且多數事故亦能藉此獲得若干資訊；以往國內車速鑑識之研究及案例，係運用目標車輛於錄像中圖像幀(frame)的移動路徑配合圖像幀間的時間差來估計車速。而傳統從圖像幀計算車速的方法中，需要完整的車道標記作為參考，且所估算之速度通常需要一定的行進距離來估計，在推估短時間、短距離具有大速度變化行駛的汽車的速度，有較大的限制。近年來，國外研究提出從錄像片段中運用投影交叉比率(cross-ratio)方法推估車速。投影交叉比率是投影幾何學中在特定條件下眾所周知的不變量，可通過交叉比率計算圖像幀中的目

標物長度，進而推估車輛位移量及其速度。本研究嘗試運用投影交叉比率分析行車記錄器錄像資料，評估車速方法之探討，並以巡航定速車輛上的全球定位系統(GPS)車速為基準，驗證推估車速之準確性。本研究中，我們由行車記錄器影片中擷取時間與空間的動態資料，運用影像量測與投影交叉比率方法推估車輛之車速，分別進行靜止推估行進中車輛、行進中推估自身車速及行進中推估他車車速等3項實驗，再與車輛上之全球定位系統(GPS)之車速進行比較分析。實驗結果顯示，投影交叉比率適合應用於行車記錄器記錄的畫面推估相關車輛之速度。僅需圖像幀中可見單個完整車道標記，及可靠的圖像幀間時間，即使持續時間太短或太長，亦可估算自身車速；另外，

如圖像幀中有其他車輛固定長度的參考物(例如軸距)，即可以準確推估車速，即使當車輛速度連續變化時，此方法亦同樣具有可靠性。

長短時間步長生成對抗網路用於動態影片生成

為了解決行車紀錄器影片長度的問題，作者邱靖恩 這樣論述：

隨著電腦運算能力提升，與機器學習模型的發展，影像相關的模型有了長足的進展。在生成對抗網路被提出後，各種影像生成的應用應運而生，動態影片生成便是其中之一。從影像序列生成動態影片，可以協助系統分析場景中物件的未來動態，並成為系統決策的依據，如：自動駕駛系統可以藉此判斷潛在危險，搶先駕駛人察覺之前做出應對。也可以用於生成創作素材，由單張影像生成動態影片。目前以循環輸入的方法，生成動態影片的相關研究，主要分為兩種：第一種，模型直接生成影像；第二種，模型生成合成資訊，再與輸入影像合成。直接生成影像的方法，模型同時要學習生成真實影像與動態變化；而生成合成資訊的方法，專注於學習合成相鄰影像之間的動態，因此

通常可以生成較清晰的影像，本研究研讀過往研究決定採用此方法。然而，無論何種方法，在連續循環輸入模型生成一定時間長度後，影像都會變得模糊。為了使生成影像維持清晰，本研究提出長短時間步長模型，先由長時間步長模型使用光流法 (Optical Flow)，跳躍設定的步長生成影像，再以短時間步長模型使用差異法 (Difference) 生成中間的影像。在海浪資料集與行車紀錄器資料集，進行單張與多張影像輸入的實驗。兩資料集所得到的評估分數，都顯示本研究提出的模型，能夠減緩連續循環生成影像產生的模糊區塊，使影片在生成較長時間後，仍保有影像結構與合理的動態。