《視頻直播技術(shù)詳解》系列之二：采集

采集內(nèi)容1.音頻采集

音頻數(shù)據(jù)既能與圖像結(jié)合組合成視頻數(shù)據(jù)，也能以純音頻的方式采集播放，后者在很多成熟的應(yīng)用場(chǎng)景如在線電臺(tái)和語音電臺(tái)等起著非常重要的作用。音頻的采集過程主要通過設(shè)備將環(huán)境中的模擬信號(hào)采集成 PCM 編碼的原始數(shù)據(jù)，然后編碼壓縮成 MP3 等格式的數(shù)據(jù)分發(fā)出去。常見的音頻壓縮格式有：MP3，AAC，OGG，WMA，Opus，F(xiàn)LAC，APE，m4a 和 AMR 等。

音頻采集和編碼主要面臨的挑戰(zhàn)在于：延時(shí)敏感、卡頓敏感、噪聲消除（Denoise）、回聲消除（AEC）、靜音檢測(cè)（VAD）和各種混音算法等。

在音頻采集階段，參考的主要技術(shù)參數(shù)有 ：

采樣率（samplerate）：采樣就是把模擬信號(hào)數(shù)字化的過程，采樣頻率越高，記錄這一段音頻信號(hào)所用的數(shù)據(jù)量就越大，同時(shí)音頻質(zhì)量也就越高。

位寬：每一個(gè)采樣點(diǎn)都需要用一個(gè)數(shù)值來表示大小，這個(gè)數(shù)值的數(shù)據(jù)類型大小可以是：4bit、8bit、16bit、32bit 等等，位數(shù)越多，表示得就越精細(xì)，聲音質(zhì)量自然就越好，而數(shù)據(jù)量也會(huì)成倍增大。我們?cè)谝纛l采樣過程中常用的位寬是 8bit 或者 16bit。

聲道數(shù)（channels）：由于音頻的采集和播放是可以疊加的，因此，可以同時(shí)從多個(gè)音頻源采集聲音，并分別輸出到不同的揚(yáng)聲器，故聲道數(shù)一般表示聲音錄制時(shí)的音源數(shù)量或回放時(shí)相應(yīng)的揚(yáng)聲器數(shù)量。聲道數(shù)為 1 和 2 分別稱為單聲道和雙聲道，是比較常見的聲道參數(shù)。

音頻幀（frame）：音頻跟視頻很不一樣，視頻每一幀就是一張圖像，而從上面的正玄波可以看出，音頻數(shù)據(jù)是流式的，本身沒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)用的需求來決定的。

根據(jù)以上定義，我們可以計(jì)算一下一幀音頻幀的大小。假設(shè)某音頻信號(hào)是采樣率為 8kHz、雙通道、位寬為 16bit，20ms 一幀，則一幀音頻數(shù)據(jù)的大小為：

size?=?8000?x?2?x?16bit?x?0.02s?=?5120?bit?=?640?byte

2.圖像采集

圖像采集的圖片結(jié)果組合成一組連續(xù)播放的動(dòng)畫，即構(gòu)成視頻中可肉眼觀看的內(nèi)容。圖像的采集過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)過編碼壓縮成 H.264 等格式的數(shù)據(jù)分發(fā)出去。常見的視頻封裝格式有：MP4、3GP、AVI、MKV、WMV、MPG、VOB、FLV、SWF、MOV、RMVB 和 WebM 等。

圖像由于其直觀感受最強(qiáng)并且體積也比較大，構(gòu)成了一個(gè)視頻內(nèi)容的主要部分。圖像采集和編碼面臨的主要挑戰(zhàn)在于：設(shè)備兼容性差、延時(shí)敏感、卡頓敏感以及各種對(duì)圖像的處理操作如美顏和水印等。

在圖像采集階段，參考的主要技術(shù)參數(shù)有：

圖像傳輸格式：通用影像傳輸格式（Common Intermediate Format）是視訊會(huì)議（video conference）中常使用的影像傳輸格式。

圖像格式：通常采用 YUV 格式存儲(chǔ)原始數(shù)據(jù)信息，其中包含用 8 位表示的黑白圖像灰度值，以及可由 RGB 三種色彩組合成的彩色圖像。

傳輸通道：正常情況下視頻的拍攝只需 1 路通道，隨著 VR 和 AR 技術(shù)的日漸成熟，為了拍攝一個(gè)完整的 360° 視頻，可能需要通過不同角度拍攝，然后經(jīng)過多通道傳輸后合成。

分辨率：隨著設(shè)備屏幕尺寸的日益增多，視頻采集過程中原始視頻分辨率起著越來越重要的作用，后續(xù)處理環(huán)節(jié)中使用的所有視頻分辨率的定義都以原始視頻分辨率為基礎(chǔ)。視頻采集卡能支持的最大點(diǎn)陣反映了其分辨率的性能。

采樣頻率：采樣頻率反映了采集卡處理圖像的速度和能力。在進(jìn)行高度圖像采集時(shí)，需要注意采集卡的采樣頻率是否滿足要求。采樣率越高，圖像質(zhì)量越高，同時(shí)保存這些圖像信息的數(shù)據(jù)量也越大。

以上，構(gòu)成了一個(gè)視頻采集的主要技術(shù)參數(shù)，以及視頻中音頻和圖像編碼的常用格式。而對(duì)于直播 App 開發(fā)者來說，了解這些細(xì)節(jié)雖然更有幫助，但實(shí)際開發(fā)過程中可能很少能夠關(guān)注采集環(huán)節(jié)中技術(shù)參數(shù)的控制，而是直接在 SDK 中將采集后的數(shù)據(jù)傳遞給下一個(gè)「處理」和「編碼」環(huán)節(jié)。

采集源1.攝像頭采集

對(duì)于視頻內(nèi)容的采集，目前攝像頭采集是社交直播中最常見的采集方式，比如主播使用手機(jī)的前置和后置攝像頭拍攝。在現(xiàn)場(chǎng)直播場(chǎng)景中，也有專業(yè)的攝影、攝像設(shè)備用來采集。安防監(jiān)控場(chǎng)景中也有專業(yè)的攝像頭進(jìn)行監(jiān)控采集。

目前七牛提供的 SDK 對(duì)以上兩類攝像頭的采集都支持，對(duì)于手機(jī)，iOS 和 Android 分別支持前置后置攝像頭的采集，只是 iOS 由于設(shè)備種類和系統(tǒng)版本不多，因此采集模塊兼容性較好；而 Android 需要適配的硬件設(shè)備和系統(tǒng)則非常多，目前支持 Android 4.0.3 及以上的攝像頭采集。對(duì)于專業(yè)攝像機(jī)或者攝像頭，七牛云提供了兼容適合嵌入式系統(tǒng)的 C 語言采集模塊的實(shí)現(xiàn)，歡迎參考使用。

2.屏幕錄制

屏幕錄制采集的方式在游戲直播場(chǎng)景中非常常見，目前我們?cè)?Android SDK 中實(shí)現(xiàn)了屏幕錄制的功能。而 iOS 則由于系統(tǒng)本身沒有開放屏幕錄制的權(quán)限而沒法直接操作，但對(duì)于 iOS 9 以上的版本，是有個(gè)取巧的辦法，可以通過模擬一個(gè) AirPlay 鏡像連接到（當(dāng)前 App）自身，這樣就可以在軟件上捕獲到屏幕上的任何操作，達(dá)到錄制屏幕的效果。

在教育直播或者會(huì)場(chǎng)演講場(chǎng)合，我們經(jīng)?？匆娦枰浿齐娔X桌面上 PPT 的場(chǎng)景，針對(duì)這種場(chǎng)景，目前市面上比較方便的方案是使用開源的桌面推流工具 OBS 來進(jìn)行屏幕錄制和推流。

3.從視頻文件推流

除了從硬件設(shè)備采集視頻進(jìn)行推流之外，我們也可能需要將一個(gè)視頻或者音頻文件以直播流的形式實(shí)時(shí)傳輸給觀眾，比如在線電臺(tái)或者電視節(jié)目，它們的輸入可能直接來自于一些已經(jīng)錄制剪輯好的視頻內(nèi)容。

開放式設(shè)計(jì)?

以上從采集內(nèi)容和采集源兩個(gè)維度分別介紹了視頻采集相關(guān)的知識(shí)，但對(duì)于采集源來說，市場(chǎng)上可見的采集源遠(yuǎn)遠(yuǎn)不止這三種，即便是攝像頭也有很多分類。對(duì)于一個(gè)完整的覆蓋推流、傳輸和播放三個(gè)環(huán)節(jié)的直播云服務(wù)來說，支持盡可能多的采集源和播放終端是一項(xiàng)既無法規(guī)避也很難完成的工作。

為了支持市場(chǎng)上所有采集源的接入，我們?cè)?SDK 中采用了開放式的設(shè)計(jì)，只要采集源實(shí)現(xiàn)方遵循相應(yīng)的接口，即可支持任意的采集源。

圖中我們把采集的內(nèi)容分為圖像和音頻，其中圖像的采集源包含攝像頭、屏幕錄制或者本地的視頻文件，甚至是其它需要重新定義和實(shí)現(xiàn)的采集源。而音頻的采集源包含麥克風(fēng)、系統(tǒng)聲音或者本地音頻文件，當(dāng)然也可以為它定義別的輸入源。

這樣設(shè)計(jì)最大的好處在于，可以以輕量的設(shè)計(jì)方式支持豐富的采集源，而采集源的具體實(shí)現(xiàn)也可以交給使用者。

在下一篇連載中，我們將詳細(xì)介紹下直播中的處理環(huán)節(jié)，解答如何滿足市場(chǎng)上主播的各種需求如美顏、水印、連麥互動(dòng)等。