你要了解的一些關(guān)于音視頻的技術(shù)

一、直播的基礎(chǔ)架構(gòu)

一個(gè)直播功能通用的基礎(chǔ)架構(gòu)涉及三個(gè)部分，即音視頻采集端、云服務(wù)端和音視頻播放端。

如下圖，是一個(gè)APP直播功能的架構(gòu)：

從上圖中我們可以看到，每一個(gè)部分都有各自要處理的一些工作。

總體來(lái)說(shuō)，視頻直播類功能的整體流程包括以下內(nèi)容：

音視頻采集音視頻處理音視頻編碼和封裝推流流媒體服務(wù)器處理拉流音視頻解碼音視頻播放在具體了解每個(gè)流程之前，我們先從音視頻的基本知識(shí)入手。

二、音視頻技術(shù)基礎(chǔ)

1. 音頻

聲音：

我們平時(shí)在手機(jī)或電腦里聽(tīng)到的音頻，是已經(jīng)數(shù)字化了的音頻模擬信號(hào)。最初，這些音頻都是始于物理的聲音。

中學(xué)物理都學(xué)過(guò)，聲音是波，是通過(guò)物體的振動(dòng)產(chǎn)生的。

聲波具有三要素：

音調(diào)：也叫音頻，頻率越高，波長(zhǎng)就會(huì)越短，而低頻聲響的波長(zhǎng)則較長(zhǎng)。所以這樣的聲音更容易繞過(guò)障礙物。能量衰減就越小，聲音就會(huì)傳播的越遠(yuǎn)；音量：就是振動(dòng)的幅度。用不同的力度敲打桌面，聲音的大小勢(shì)必發(fā)生變換。在生活中，我們用分貝描述聲音的響度；音色：在同樣的頻率和響度下，不同的物體發(fā)出的聲音不一樣。波形的形狀決定了聲音的音色。因?yàn)椴煌慕橘|(zhì)所產(chǎn)生的波形不同，就會(huì)產(chǎn)生不一樣的音色。模擬信號(hào)的數(shù)字化過(guò)程：

模擬信號(hào)的數(shù)字化過(guò)程，就是將模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)的過(guò)程，包括采樣、量化和編碼。

我們可以通過(guò)下圖理解這一過(guò)程：

采樣：可以理解為在時(shí)間軸上對(duì)信號(hào)進(jìn)行數(shù)字化。通常用采樣率來(lái)保證一定頻率范圍內(nèi)的聲音可以被數(shù)字化成功，比如：采樣頻率一般是44.1KHZ，指的就是1秒會(huì)采樣44100次。量化：指的是在幅度軸上對(duì)信號(hào)進(jìn)行數(shù)字化，就是聲音波形的數(shù)據(jù)是多少位的二進(jìn)制數(shù)據(jù)，單位是bit。
? ? ? ?比如：常用16bit的二進(jìn)制信號(hào)來(lái)存放一個(gè)采樣，這又叫做量化級(jí)。量化級(jí)是數(shù)字聲音質(zhì)量的重要指標(biāo)，通常將聲音描述為24bit（量化級(jí)）、48KHZ（采樣率）。編碼：按照一定的格式記錄采樣和量化后的數(shù)據(jù)。音頻編碼的格式有很多種，通常所說(shuō)的音頻裸數(shù)據(jù)指的是脈沖編碼調(diào)制(PCM)數(shù)據(jù)。
? ? ? ?PCM音頻流的碼率可以用來(lái)描述PCM數(shù)據(jù)，它的計(jì)算公式是：采樣頻率*采樣大?。炕?jí)）*聲道數(shù)（單聲道、雙聲道和多聲道）。通過(guò)上述的流程，就實(shí)現(xiàn)了音頻信號(hào)的數(shù)字化過(guò)程。轉(zhuǎn)為數(shù)字信號(hào)之后，就可以對(duì)這些數(shù)據(jù)進(jìn)行存儲(chǔ)、播放、復(fù)制獲取等其他操作了。

音頻編碼：

上面我們說(shuō)到了，編碼就是按照一定的格式記錄采樣和量化后的數(shù)據(jù)，那么到底為什么需要編碼呢？

采集和量化后的數(shù)據(jù)是非常大的，從存儲(chǔ)或者網(wǎng)絡(luò)實(shí)時(shí)傳播的角度來(lái)說(shuō)，這個(gè)數(shù)據(jù)量都太大了。對(duì)于存儲(chǔ)和傳輸都是非常具有挑戰(zhàn)的，所以我們需要通過(guò)編碼來(lái)進(jìn)行壓縮。

壓縮編碼的指標(biāo)是壓縮比，壓縮比通常是小于1的。

壓縮編碼算法分為2種：有損壓縮和無(wú)損壓縮。

無(wú)損壓縮：解壓后的數(shù)據(jù)可以完全復(fù)原。在常用的壓縮格式。用的較多的都是有損壓縮。有損壓縮：解壓后的數(shù)據(jù)不能完全復(fù)原，會(huì)丟失一部分信息。壓縮比越小，丟失的信息就會(huì)越多，信號(hào)還原的失真就會(huì)越大。壓縮編碼的實(shí)質(zhì)就是壓縮冗余的信號(hào)，冗余信號(hào)就是指不能被人耳感知的信號(hào)，包括：人耳聽(tīng)覺(jué)范圍之外的音頻信號(hào)以及被掩蓋掉的音頻信號(hào)。信號(hào)的掩蔽可以分為頻域掩蔽和時(shí)域掩蔽，關(guān)于信號(hào)的掩蔽大家可以自行百度一下，這里就不做過(guò)多闡述了。

那么，音頻壓縮編碼的常用格式都有哪些呢？

主要包括：WMA編碼；MP3編碼；AAC編碼，這個(gè)是現(xiàn)在比較熱門(mén)的有損壓縮編碼技術(shù)，也是目前在直播或小視頻中常用的編碼格式；OGG編碼等。

2. 視頻

數(shù)字視頻：

我們平時(shí)在手機(jī)或PC上看到的視頻，是由內(nèi)容元素、編碼格式和封裝容器構(gòu)成的。

內(nèi)容元素：包括圖像（Image）、音頻（Audio）和元信息（Metadata）。編碼格式：包括視頻常用編碼格式H264，和音頻常用編碼格式AAC。封裝容器：這就是常見(jiàn)的文件格式，如MP4、MOV、FLV、RMVB、AVI等等。圖像：

圖像是人對(duì)視覺(jué)感知的物質(zhì)重現(xiàn)。三維圖像的對(duì)象包括：深度、紋理和亮度信息，二維圖像包括紋理和亮度信息，我們可以簡(jiǎn)單的把紋理就理解為圖像。

說(shuō)了圖像的概念，現(xiàn)在來(lái)說(shuō)下視頻：視頻是由多幅圖像構(gòu)成的，是一組連續(xù)的圖像。一個(gè)基本的數(shù)字視頻，基本是通過(guò)“采集——處理——顯示”形成的。

編碼格式：

上面我們說(shuō)到了音頻的編碼，視頻同樣是存在編碼的過(guò)程的。視頻編解碼的過(guò)程是指對(duì)數(shù)字視頻進(jìn)行壓縮或解壓縮的過(guò)程。

在進(jìn)行視頻的編解碼時(shí)，需要考慮以下因素的平衡：視頻的質(zhì)量、用來(lái)表示視頻所需要的數(shù)據(jù)量（通常稱之為碼率）、編碼算法和解碼算法的復(fù)雜度、針對(duì)數(shù)據(jù)丟失和錯(cuò)誤的魯棒性、編輯的方便性、隨機(jī)訪問(wèn)、編碼算法設(shè)計(jì)的完美性、端到端的延時(shí)以及其它一些因素。

常用的視頻編解碼方式有H.26X系列和MPEG系列，而目前最常用的視頻編碼格式是H.264，它的優(yōu)點(diǎn)是低碼率、圖像質(zhì)量高、容錯(cuò)能力強(qiáng)、網(wǎng)絡(luò)適應(yīng)性更強(qiáng)，并且已被廣泛應(yīng)用于實(shí)時(shí)視頻應(yīng)用中。

再介紹一些關(guān)于H.264的知識(shí)：

在H.264中，圖像是包括幀、頂場(chǎng)和底場(chǎng)的，一副完整的圖像就是一幀。

當(dāng)采集視頻信號(hào)時(shí)，如果采用逐行掃描，則每次掃描得到的信號(hào)就是一副圖像，也就是一幀。如果采用隔行掃描（奇、偶數(shù)行），則掃描下來(lái)的一幀圖像就被分為了兩個(gè)部分，這每一部分就稱為場(chǎng)，根據(jù)次序分為：頂場(chǎng)（也成為偶數(shù)場(chǎng)）和底場(chǎng)（也成為奇數(shù)場(chǎng)）。

幀和場(chǎng)的概念又帶來(lái)了不同的編碼方式：幀編碼和場(chǎng)編碼。逐行掃描適合于運(yùn)動(dòng)圖像，所以對(duì)于運(yùn)動(dòng)圖像采用幀編碼更好；而隔行掃描適合于非運(yùn)動(dòng)圖像，所以對(duì)于非運(yùn)動(dòng)圖像采用場(chǎng)編碼更理想。

此外，每一幀圖像可以分為多個(gè)片，每一個(gè)片由宏塊構(gòu)成，而每個(gè)宏塊又是由子塊所構(gòu)成的。

封裝格式：

視頻的封裝格式可以看成是一個(gè)裝載著視頻、音頻、視頻編解碼方式等信息的容器。一種視頻封裝格式可以支持多種的視頻編解碼方式，比如：QuickTime（.MOV）支持幾乎所有的編解碼方式，MPEG（.MP4）也支持大部分的編解碼方式。

在PC上，我們經(jīng)常會(huì)使用.MOV的視頻文件。通過(guò)以上的介紹，我們就知道了，這個(gè)視頻的文件格式是.MOV，封裝格式是QuickTIme File Format，但是我們無(wú)法知道它的視頻編解碼方式。如果我們想要專業(yè)的去描述一個(gè)視頻，可以描述成：H.264/MOV的視頻文件，這就是說(shuō)它的封裝方式是QuickTIme File Format，文件格式是.MOV，編碼方式是H.264。

H.264：

H.264是一種高性能的視頻編解碼技術(shù)，是由“國(guó)際電聯(lián)”和“國(guó)際標(biāo)準(zhǔn)化組織ISO”聯(lián)合組建的聯(lián)合視頻組共同制定的新的數(shù)字視頻編碼標(biāo)準(zhǔn)。

我們?cè)谏厦嬉呀?jīng)說(shuō)到了H.264編碼技術(shù)的優(yōu)勢(shì)，我們接下來(lái)看一下H.264所涉及的關(guān)鍵技術(shù)：

我們首先要知道，無(wú)論是視頻或音頻編碼，其目的都是壓縮。視頻編碼的目的，是抽取出冗余信息，這些冗余信息包括：空間冗余、時(shí)間冗余、編碼冗余、視覺(jué)冗余和知識(shí)冗余。

基于此，H.264的壓縮技術(shù)涉及：

a）幀內(nèi)預(yù)測(cè)壓縮，解決的就是空間數(shù)據(jù)冗余問(wèn)題?？臻g冗余數(shù)據(jù)就是圖里數(shù)據(jù)在寬高空間內(nèi)包含了很多顏色和光亮，人的肉眼很難察覺(jué)的數(shù)據(jù)。對(duì)于這些數(shù)據(jù)，我們是可以直接壓縮掉的。

幀內(nèi)壓縮對(duì)應(yīng)的是I幀——即關(guān)鍵幀。那么什么是I幀呢？網(wǎng)上教程中有一個(gè)經(jīng)典的例子，如果攝像頭對(duì)著你拍攝，1秒之內(nèi)實(shí)際你發(fā)生的變化是非常少的。攝像機(jī)一般1秒鐘會(huì)抓取幾十幀的數(shù)據(jù)，比如像動(dòng)畫(huà)，就是25幀/s，一般視頻文件都是在30幀/s左右。那些對(duì)于一組幀來(lái)說(shuō)變化很小的，為了便于壓縮數(shù)據(jù)，就將第一幀完整的保存下來(lái)。如果沒(méi)有這個(gè)關(guān)鍵幀后面解碼數(shù)據(jù)是完成不了的，所以I幀是特別關(guān)鍵的。

b）幀間預(yù)測(cè)壓縮，解決的是時(shí)間數(shù)據(jù)冗余問(wèn)題。在上面的例子中，攝像頭在一段時(shí)間內(nèi)所捕捉的數(shù)據(jù)沒(méi)有較大的變化，我們針對(duì)這一時(shí)間內(nèi)的相同的數(shù)據(jù)壓縮掉，這就是時(shí)間數(shù)據(jù)壓縮。

幀間壓縮對(duì)應(yīng)的是P幀和B幀。P幀是向前參考幀，壓縮時(shí)只參考前一個(gè)幀。而B(niǎo)幀是雙向參考幀，壓縮時(shí)即參考前一幀也參考后一幀。

c）整數(shù)離散余弦變換（DCT），將空間上的相關(guān)性變?yōu)轭l域上無(wú)關(guān)的數(shù)據(jù)然后進(jìn)行量化。

d）CABAC壓縮：無(wú)損壓縮。

H.264除了上述的關(guān)鍵技術(shù)，還有幾個(gè)重要的概念需要了解：

GOF：一組幀，就是一個(gè)I幀到下一個(gè)I幀，這一組的數(shù)據(jù)。包括B幀/P幀，我們稱為GOF。SPS和PPS：SPS和PPS是GOF的參數(shù)，SPS是存放幀數(shù)，參考幀數(shù)目，解碼圖像尺寸，幀場(chǎng)編碼模式選擇標(biāo)識(shí)等。而PPS是存放熵編碼模式選擇標(biāo)識(shí)，片組數(shù)目，初始量化參數(shù)和去方塊濾波系數(shù)調(diào)整標(biāo)識(shí)等。在進(jìn)行視頻解碼的時(shí)候，接收到一組幀GOF之前，我們首先收到的是SPS/PPS數(shù)據(jù)，如果沒(méi)有這組參數(shù)的話，是無(wú)法進(jìn)行解碼的。

因此，如果在解碼時(shí)發(fā)生錯(cuò)誤，首先要檢查是否有SPS/PPS。如果沒(méi)有，就要檢查是因?yàn)閷?duì)端沒(méi)有發(fā)送過(guò)來(lái)還是因?yàn)閷?duì)端在發(fā)送過(guò)程中丟失了。

更加詳細(xì)的H.264編碼原理這里就不做介紹了，大家感興趣的可以上網(wǎng)查閱一下資料，比如：宏塊分組劃分、宏塊查找、幀內(nèi)預(yù)測(cè)、DCT壓縮以及H.264的碼流結(jié)構(gòu)等知識(shí)。

三、直播流程詳述

通過(guò)上面的介紹，我們已經(jīng)了解音視頻一些基本的知識(shí)。接下來(lái)，我們一起再描述一遍直播類應(yīng)用的整體流程。

1. 音視頻采集

在音視頻采集階段會(huì)包括：音頻采集和圖像采集。

在音頻采集時(shí)，除了上面我們說(shuō)到的采樣率、量化級(jí)數(shù)和聲道數(shù)參數(shù)外，還需要音頻幀。

音頻跟視頻很不一樣，視頻每一幀就是一張圖像，而從聲音的正玄波可以看出：音頻數(shù)據(jù)是流式的，沒(méi)有明確的一幀幀的概念。在實(shí)際的應(yīng)用中，為了音頻算法處理/傳輸?shù)姆奖?，一般約定俗成取 2.5ms~60ms 為單位的數(shù)據(jù)量為一幀音頻。

這個(gè)時(shí)間被稱之為“采樣時(shí)間”，其長(zhǎng)度沒(méi)有特別的標(biāo)準(zhǔn)，它是根據(jù)編解碼器和具體應(yīng)用的需求來(lái)決定的。

如果某音頻信號(hào)是采樣率為 8kHz、雙通道、量化級(jí)數(shù)是16bit，采樣時(shí)間是20ms，則一幀音頻數(shù)據(jù)的大小為：8000 * 2 * 16bit * 0.02s = 5120 bit = 640 byte

在圖像采集中，采集的圖片結(jié)果會(huì)組合成一組連續(xù)播放的動(dòng)畫(huà)，即構(gòu)成視頻中可肉眼觀看的內(nèi)容。

圖像的采集過(guò)程主要由攝像頭等設(shè)備拍攝成 YUV 編碼的原始數(shù)據(jù)，然后經(jīng)過(guò)編碼壓縮成 H.264 等格式的數(shù)據(jù)分發(fā)出去。在圖像采集階段，涉及的主要技術(shù)參數(shù)包括：圖像傳輸格式、圖像格式、傳輸通道、分辨率以及采樣率。

在音視頻的采集階段，常用的采集源包括攝像頭，比如手機(jī)的前后置攝像頭；游戲直播中使用的屏幕錄制；和電視節(jié)目中視頻文件的直接推流。

2. 音視頻處理

音視頻處理會(huì)分為：視頻處理和音頻處理。

視頻處理包括：美顏、濾鏡、面部識(shí)別、水印、剪輯拼接等。音頻處理包括：混音、降噪、聲音特效等。

下面我們簡(jiǎn)要描述一下美顏和視頻水印的基本原理：

美顏的主要原理是通過(guò)【磨皮】+【美白】來(lái)達(dá)到整體美顏效果的。磨皮的技術(shù)術(shù)語(yǔ)是去噪，也就是對(duì)圖像中的噪點(diǎn)進(jìn)行去除或者模糊化處理，常見(jiàn)的去噪算法有均值模糊、高斯模糊和中值濾波等。這個(gè)環(huán)節(jié)中也涉及到人臉和皮膚檢測(cè)技術(shù)。

視頻水印包括播放器水印和視頻內(nèi)嵌水印兩種方式。對(duì)于播放器水印來(lái)說(shuō)，如果沒(méi)有有效的防盜措施，對(duì)于沒(méi)有播放鑒權(quán)的推流，客戶端拿到直播流之后可以在任何一個(gè)不帶水印的播放器里面播放，因此也就失去了視頻保護(hù)的能力。所以，一般來(lái)說(shuō)會(huì)選擇視頻內(nèi)嵌水印的方式打水印，這樣，水印就會(huì)內(nèi)嵌到視頻之內(nèi)，在視頻播放的過(guò)程中持續(xù)顯示。

再多聊一些，視頻內(nèi)嵌水印也會(huì)應(yīng)用在軟件中，軟件中播出企業(yè)內(nèi)部版權(quán)保護(hù)的動(dòng)畫(huà)段視頻時(shí)，會(huì)應(yīng)用到內(nèi)嵌水印的技術(shù)。

3. 音視頻編碼和封裝

音視頻的編碼以及視頻的封裝在上述基礎(chǔ)知識(shí)部分已經(jīng)介紹過(guò)了，這里不再贅述。

在這里說(shuō)一下編碼器的知識(shí)。上文中我們了解了H.264的編碼技術(shù)，編碼流程是要基于編碼器進(jìn)行的。

編碼器的主要流程是：幀內(nèi)預(yù)測(cè)（去除空間冗余）/幀間預(yù)測(cè)（去除時(shí)間冗余）——變換（去除空間冗余）——量化（去除視覺(jué)冗余）——熵編碼（去除編碼冗余）。通過(guò)該流程，即可完成音視頻的編碼步驟。

4. 推流

推流就是將處理過(guò)的音頻和視頻數(shù)據(jù)通過(guò)流媒體協(xié)議發(fā)送到流媒體服務(wù)器。

推流協(xié)議：

推流所遵循的協(xié)議有RTMP、WebRTC和基于UDP的私有協(xié)議。

RTMP協(xié)議是基于TCP協(xié)議的，RTMP 是目前主流的流媒體傳輸協(xié)議，廣泛用于直播領(lǐng)域，市面上絕大多數(shù)的直播產(chǎn)品都采用了這個(gè)協(xié)議。但是，由于基于TCP協(xié)議，傳輸成本高，在弱網(wǎng)環(huán)境下丟包率高，不支持瀏覽器推送。
? ? ? ?WebRTC是一個(gè)支持網(wǎng)頁(yè)瀏覽器進(jìn)行實(shí)時(shí)語(yǔ)音對(duì)話或視頻對(duì)話的 API，主要應(yīng)用于視頻會(huì)議。它的主流瀏覽器支持度高，并且底層基于SRTP和UDP，弱網(wǎng)情況優(yōu)化空間大。基于UDP的私有協(xié)議。有些直播應(yīng)用會(huì)使用 UDP 做為底層協(xié)議開(kāi)發(fā)自己的私有協(xié)議，因?yàn)?UDP在弱網(wǎng)環(huán)境下的優(yōu)勢(shì)通過(guò)一些定制化的調(diào)優(yōu)可以達(dá)到比較好的弱網(wǎng)優(yōu)化效果，但是開(kāi)發(fā)成過(guò)高。CDN：

推出去的流媒體要給各個(gè)地理位置的觀眾看，那么這里就需要CDN網(wǎng)絡(luò)了。CDN就是為了解決用戶訪問(wèn)網(wǎng)絡(luò)資源慢而產(chǎn)生的技術(shù)。

CDN包括邊緣節(jié)點(diǎn)、二級(jí)節(jié)點(diǎn)和源站。內(nèi)容提供方可以將內(nèi)容放到源站上，用戶從邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，而CDN的二級(jí)節(jié)點(diǎn)則用于緩存，減輕源站壓力。

在直播領(lǐng)域中，CDN要支持的服務(wù)如下：

流媒體協(xié)議的支持。比如RTMP等；首屏秒開(kāi)。從用戶點(diǎn)擊到播放控制在秒級(jí)以內(nèi)；1~3 延遲控制。從推流端到播放端，延遲控制在 1~3 秒之間；全球全網(wǎng)智能路由?？梢岳谜麄€(gè)CDN網(wǎng)絡(luò)內(nèi)的所有節(jié)點(diǎn)為某一單一用戶服務(wù)，不受地域限制。

5. 流媒體服務(wù)器處理

流媒體服務(wù)器要做的事情包括：數(shù)據(jù)分發(fā)（CDN）、支持上述CDN的一些服務(wù)、實(shí)時(shí)轉(zhuǎn)碼以及內(nèi)容的檢測(cè)（鑒黃）等。

6. 拉流

拉流就是客戶端從流媒體服務(wù)器上拉取獲得上述步驟中的音視頻數(shù)據(jù)。同理，這個(gè)過(guò)程也是要基于上述的協(xié)議和CDN。

7. 音視頻解碼

在上述H.264編碼的介紹中，說(shuō)到了SPS/PPS是解碼必備的數(shù)據(jù)。此步驟就是需要對(duì)拉流下來(lái)已編碼的音視頻數(shù)據(jù)進(jìn)行解碼。

解碼過(guò)程就是編碼的逆過(guò)程，這個(gè)過(guò)程包括：熵解碼、變換解碼、預(yù)測(cè)解碼。

H.264規(guī)范規(guī)定了解碼器的結(jié)構(gòu)，解碼的過(guò)程大體如下：以宏塊為單位，依次進(jìn)行熵解碼、反量化、反變換，得到殘差數(shù)據(jù)。再結(jié)合宏塊里面的預(yù)測(cè)信息，找到已解碼的被參考?jí)K，進(jìn)而結(jié)合已解碼被參考?jí)K和本塊殘差數(shù)據(jù)，得到本塊的實(shí)際數(shù)據(jù)。宏塊解碼后，組合出片，片再進(jìn)而組合出圖像。

這里要說(shuō)明的是：如果H264碼流中I幀錯(cuò)誤或丟失，就會(huì)導(dǎo)致錯(cuò)誤傳遞，單獨(dú)的P幀或B幀是完成不了解碼工作的。I幀所保留的是一張完整的視頻幀，是解碼的關(guān)鍵所在。

8. 音視頻播放

在完成了音視頻數(shù)據(jù)的解碼后，就可以通過(guò)硬件設(shè)備（手機(jī)或PC）上的播放器對(duì)音視頻文件進(jìn)行渲染播放了。

那么，上述架構(gòu)圖中的信令服務(wù)器是干什么的呢？

——信令服務(wù)器是用來(lái)處理主播端和用戶端的一些信令指令的。

在網(wǎng)絡(luò)中傳輸著各種信號(hào)，其中一部分是我們需要的（例如：打電話的語(yǔ)音，上網(wǎng)的數(shù)據(jù)包等等），而另外一部分是我們不需要的（只能說(shuō)不是直接需要）它用來(lái)專門(mén)控制電路的，這一類型的信號(hào)我們就稱之為信令（摘自百度百科）。也就是說(shuō)，信令是指通信系統(tǒng)中的控制指令。