初入音视频领域,对一些音视频领域的概念,总是一知半解。下面将学习到的内容和自己的理解整理如下。
初次接触音视频领域时的小伙伴,可能大多数都像我一样并不太了解整体的流程。音视频领域细分的话,还可以分出很多分支,例如:嵌入式设备中的运用(例如设备有摄像头和麦克风,需要进行录制视频和音频)、客户端程序的研发中的运用(例如:QQ的1V1通话和视频,QQ群的nVn通话和视频,还有共享屏幕等,还有某音,某手,某宝中的直播功能),还有软件的截图、屏幕的录制,麦克风的录制等等,都渗透着音视频领域相关的技术。
在嵌入式设备中的音视频的应用无非就是录像,直播等。如果是录像的话,视频的来源可能来自于摄像头,或者输入的信号源,或者屏幕。音频源可能来自麦克风等设备。
我现在的公司正在做的项目大概是这样子的:
功能就是可以对这些视频源和音频源进行录制,而且还支持画中画等功能。
引入一张0声学院Darren老师的图:
太好了,很方便学习者理解,就直接粘过来了
无论你是需要录制音频还是视频,都需要源(音频源和视频源),我们的视频源就是摄像头。
包括
帧率
我们采集完数据之后,就可以对采集到的数据进行处理了。 例如:曝光、色度、温和度、色差等等。都可以在这个阶段做。
处理后的图像帧,会暂存放到图像帧队列中,等待视频编码器来对数据进行编码; 为什么要先存放到图像队列中呢? 因为我们设备(指:计算机、开发版等)并没有这么强的处理能力,如果一拥而上的话,也就凉凉了,所以先存放着,视频编码阶段边处理边拿数据。
如果图像帧队列中有数据的话,视频编码器就会进行处理。 如果不做编码的话,视频的体积是非常大的,而此阶段的技术也是非常多的,还可以称之为压缩。 例如常见的:H.264,H.265等压缩技术,也常叫视频编码算法。 我做过一个测试,将一段3 分钟 46 秒的1920*1080的视频的每一帧都转换成图片。
可以看到视频使用的是H.264编码的,如果将这个视频的每一帧转换成图片的话,会转换成6788张图片。 也可以简单计算一下: 1、一共3分46秒; 2、每秒30帧; 3分46秒等于226秒; 226秒*30帧=6780帧。 如果按照每张图1M的话,就将近7个G,而且也不可能每个图都是1M,图片的大小比较还是根据色彩的鲜艳程度来决定的。
可以看到,我这个就12GB; 可想而之,一个4分钟的视频就12个G。 如果不压缩的话你存几个片到你电脑里,你能存几个?
整个步骤和采集视频的步骤差不多。
从麦克风中或者其他设备中采集到的音频数据我们常称之为PCM数据。
音视频同步是比较困难的。
我们可以在采集数据的时候,给每一帧都加上时间戳。等复用器在封装音视频的时候,就可以按时间来处理了,这样就可以对音视频数据保证同步了。