视频直播之基础原理

全栈程序员站长

发布于 2022-09-15 10:51:48

2.8K0

发布于 2022-09-15 10:51:48

文章被收录于专栏：全栈程序员必看全栈程序员必看

大家好，又见面了，我是你们的朋友全栈君。

SDK(Software Development Kit): 软件开发工具包 CDN(Content Delivery Network):内容分发网络

涉及的技术：

采集
处理
编码
封包
推流
播放

RTMP（Real Time Messaging Protocol,实时消息传送协议),是Adobe Systems公司为Flash播放器和服务器之间音频、视频和数据传输开发的开放协议。

优点：主流CDN支持，市面上绝大多数的直播产品采用；协议简单易实现
缺点：基于TCP协议开销大；Adobe私有协议

直播服务器（流媒体服务器）：硬件方面：高性能CPU，大容量内存和硬盘软件方面：大宽带服务商：

七牛、腾讯、网易
red5(jave)和FMS商用
crtmpserver（开源）
Nginx + RTMP插件(开源)

直播原理：把主播录制的视频，推送到服务器，再由服务器分发给观众观看。直播环节：采集-滤镜处理-编码-推流-CDN分发-拉流-解码-播放-聊天互动

推流端（采集、美颜处理、编码、推流）
服务器处理（转码、录制、截图、鉴黄）
播放器（拉流、解码、渲染）
互动系统（聊天室、礼物系统、赞）

了解流媒体（直播需要用到流媒体）

流媒体开发：网络层（socket或st)负责传输，协议层（rtmp或hls)负责网络打包，封装层（flv、ts)负责编解码数据的封装，编码层(h.264和aac)负责图像音频压缩。
帧：每帧代表一幅静止的图像
GOP：(Group of Pictures)画面组，一个GOP就是一组连续的画面，每个画面都是一帧一个GOP就是很多帧的集合；直播的数据其实是一组图片，包括I帧、P帧、B帧，当用户第一次观看的时候，会寻找I帧，而播放器会到服务器寻找到最近的I帧反馈给用户。因此，GOP Cache增加了端到端延迟，因为它必须要拿到最近的I帧，GOP Cache的长度越长，画面质量越好。
码率：图片进行压缩后每秒显示的数据量
帧率：每秒显示的图片数。影响画面流畅度，与画面流畅度成正比：帧率越大，画面越流畅；帧率越小，画面越有跳动感。由于人类眼睛的特殊生理结构，如果所看画面之帧率高于16的时候，就会认为是连贯的，此现象称之为视觉暂留。并且当帧速达到一定数值后，再增长的话，人眼也不容易察觉到有明显的流畅度提升了。
分辨率：（矩形）图片的长度和宽度，即图片的尺寸
压缩前的每秒数据量：帧率x分辨率（单位应该是若干个字节）
压缩比：压缩前的每秒数据量/码率（对于同一个视频源并采用用一种视频编码算法，则：压缩比越高，画面质量越差。）
视频文件格式：文件的后缀，比如：.wmv,.mov,.mp4,.mp3,.avi,主要作用：一个视频文件往往会包含图像和音频，还有一些配置信息（如图像和音频的关联，如何解码它们等)：这些内容需要按照一定的规则组织、封装起来。注意：会发现封装格式跟文件格式一样，因为一般视频文件格式的后缀名即采用相应的视频封装格式的名称,所以视频文件格式就是视频封装格式。
视频封装格式和视频压缩编码标准：就好像项目工程和编程语言，封装格式就是一个项目的工程，视频编码方式就是编程语言，一个工程可以用不同语言开发。

采集视频、音频

采集视频、音频编码框架：‘AVFoundation’-ACFoundation是用来播放和创建实时的视听媒体数据的框架，同时提供Objective-C接口来操作这些视听数据，比如编辑、旋转，重编码
视频、音频硬件设备 * * CCD：图像传感器：用于图像采集和处理的过程，把图像转换成电信号 * * 拾音器：声音传感器：用于声音采集和处理的过程，把声音转换成电信号 * * 音频采集数据：一般都是PCM格式 * * 视频采集器：一般都是YUV、或RGB格式，采集到的原始音视频的体积是非常大的，需要经过压缩技术处处理来提高传输效率。

视频处理（美颜，水印） *视频处理原理：因为视频最终也是通过GPU，一帧一帧渲染到屏幕上的，所以我们可以利用OpenGL ES,对视频帧进行各种加工，从而视频各种不同的效果，就好像一个水龙头流出的水，经过若干节管道，然后流向不同的目标。现在的各种美颜和视频添加特效的app都是利用GPUImage这个框架实现的。

视频处理框架 *GPUImage:是一个基于OpenGL ES的一个强大的图像/视频处理框架，封装好了各种滤镜同时也可以编写自定义的滤镜，其本身内置了多大120多种常见的滤镜效果。 *OpenGL:OpenGL(全写Open Graphics Library)是个定义了一个跨编程语言、跨平台的编程接口的规格，它用于三维图像（二维的亦可）。OpenGL是个专业的图像程序接口，是一个功能强大，调用方便的底层图形库。 *OpenGL ES:OpenGL ES(OpenGL for Embedded System)是OpenGL三维图形API的子集，针对手机、PDA和游戏主机等嵌入式设备而设计。

视频编码解码

视频编码框架 * * FFmpeg:是一个跨平台的开源视频框架，能实现如视频编码，解码，转码，串流，播放等丰富的功能。其支持的视频格式以及播放协议非常丰富，几乎包含了所有音视频编码解码、封装格式以及播放协议。 * * -Libswresample:可以对音频进行重采样，rematrixing以及转换采样格式等操作。 * * -Libavcodec:提供了一个通用的编解码框架，包含了许多视频，音频，字幕流等编码/解码器。 * * -Libavformat:用于对视频进行封装/解封装。 * * -Libavutil:包含一些共用的函数，如随机数生成，数据结构，数学运算等。 * * -Libswscale:用于视频图像缩放，颜色空间转换等。 * * -Libavfilter:提供滤镜功能。 * *X264:把视频原数据YUV编码压缩成H.264格式 * *VideoToolbox:苹果自带的视频硬解码和硬编码api,但是在IOS8之后才开放。 * *AudioToolbox:苹果自带的音频硬解码和硬解码API
视频编码技术 * * 视频压缩编码标准：对视频进行压缩（视频编码）或者解压缩（视频解码）的编码技术，比如MPEG,H.264,这些视频编码技术是压缩编码视频的。主要作用是将视频像素数据压缩成为视频码流，从而降低视频的数据量。如果视频不经过压缩编码的话，体积通常是非常大的，一部电影可能就要上百G的空间。注意：最影响视频质量的是其视频编码数据和音频编码数据，跟封装格式没有多大关系。 * *MPEG: 一种视频压缩方式，它采用了帧间压缩，仅存储连续帧之间有差别的地方，从而达到较大的压缩比。 * *H.264/AVC:一种视频压缩方式，采用事先预测和与MPEG中的P-B帧一样的帧预测方法压缩，它可以根据需要产生适合网络情况传输的视频流，还有更高的压缩比，有更好的图像质量。注意如果从单个画面清晰度比较，MPEG4有优势，从动作连贯性上的清晰度，H.264有优势；由于264的算法更加复杂，程序实现繁琐，运行它需要更多的处理器和内存资源。因此，运行264对系统要求比较高的；由于264的实现更加灵活，它把一些实现留给了厂商自己去实现，虽然这样给实现带来了很多好处，但是不同产品之间互通成了很大的问题，造成了通过A公司的编码器编出的数据，必须通过A公司的解码器去解这样尴尬的事情。 * * H.265/HEVC:一种视频压缩方式,基于H.264，保留原来的某些技术，同时对一些相关的技术加以改进，以改善码流、编码质量、延时和算法复杂度之间的关系，达到最优化设置。H.265 是一种更为高效的编码标准，能够在同等画质效果下将内容的体积压缩得更小，传输时更快更省带宽。 * * I帧:(关键帧)保留一副完整的画面，解码时只需要本帧数据就可以完成（因为包含完整画面）。 * * P帧（差别帧）保留这一帧跟之前帧的差别，解码时需要用之前缓存的画面叠加上本帧定义的差别，生成最终画面（P帧没有完整画面数据，只有与前一帧的画面差别的数据）。 * * B帧（双向差别帧）保留的是本帧与前后帧的差别，解码B帧，不仅要取得之前的缓存画面，还要解码之后的画面，通过前后画面的与本帧数据的叠加取得最终的画面。B帧压缩率高，但是解码时CPU会比较累。 * * 帧内(Intraframe)压缩：当压缩一帧图像时，仅考虑本帧的数据而不考虑相邻帧之间的冗余信息，帧内一般采用有损压缩算法。 * * 帧间(Interframe)压缩：时间压缩（Temporal compression)，它通过比较时间轴上不同帧之间的数据进行压缩。帧间压缩一般是无损的。 * * muxing(合成）：将视频流、音频流甚至是字幕流封装到一个文件中（容器格式FLV,TS),作为一个信号进行传输。
音频编码技术 * * AAC,mp3: 这些属于音频编码技术，压缩音频用。
码率控制 * * 多码率：观众所处的网络情况是非常复杂的，有可能是wifi,有可能4G、3G、甚至2G，那么怎么满足多方需求呢？多搞几条线路，根据当前网络环境自定义码率。例如常常看见视频播放软件中的1024，720，高清，标清，流畅等，指的就是各种码率。
视频封装技术 * * TS:一种流媒体封装格式，流媒体封装有一个好处，就是不需要加载索引再播放，大大减少了首次载入的延迟，如果片子比较长，mp4文件的索引相当大，影响用户体验。为什么要用TS:这是因为两个TS片段可以无缝拼接，播放器能连续播放。 * * FLV: 一种流媒体封装格式，由于它形成的文件极小、加载速度极快，使得网络观看视频文件成为可能，因此FLV格式成为了当今主流视频格式。

推流

数据传输框架 * * librtmp:用来传输RTMP协议格式的数据
流媒体数据传输协议 * * RTMP: 实时消息传输协议，Adobe System公司为Flash播放器和服务器之间音频、视频和数据传输开发的开放协议，因为是开放协议所以都可以使用。RTMP协议用于对象、视频、音频的传输。这个协议建立在TCP协议或者轮询HTTP协议之上。RTMP协议就像一个用来装数据包的容器，这些数据可以是FLV中的视音频数据。一个单一的连接可以通过不同的通道传输多路网络流，这些通道中的包都是按照固定大小的包传输的。 * * chuck 消息包 * * 推流的过程：建立TCP连接–建立RTMP连接以及发送各种控制指令–获取原始视频数据和音频数据–对原始视频数据和音频数据进行压缩编码（实现音视频数据的编码，视频编码成h264,音频编码成aac)–对编码后的视频数据和音频数据进行打包–发送打包后的音频和视频数据

流媒体服务器

常用服务器 * * SRS:一款国人开发的优秀开源流媒体服务器系统 * * BMS:也是一款流媒体服务器系统，但不开源，是SRS的商业版，比如SRS功能更多 * * nginx: 免费开源web服务器，常用来配置流媒体服务器
数据分发 * * CDN: (Content Delivery Network),即内容分发网络，将网站的内容发布到最接近用户的网络“边缘”，使用户可以就近取得所需的内容，解决Internet网络拥挤的状况，提高用户访问网站的响应速度。 * * CDN :代理服务器，相当于一个中介 * * CDN工作原理：比如请求流媒体数据：1.上传流媒体数据到服务器（源站）–2.源站存储流媒体数据–3.客户端播放流媒体，向CDN请求编码后的流媒体数据–4.CDN的服务器响应请求，若节点上没有该流媒体数据存在，则向源站继续请求流媒体数据；若节点上已经缓存了该视频文件，则跳到第6步–5.源站响应CDN的请求，将流媒体分发到相应的CDN节点上–6.CDN将流媒体数据发送到客户端。 * * 回源：当用户访问某一个URL的时候，如果被解析到的那个CDN节点没有缓存响应的内容，或者是缓存已经到期，就会回到“源站”去获取搜索。如果没有人访问，那么CDN节点不会主动去“源站”拿。 * * 带宽：在固定的时间可以传输的数据总量，比如64位、800MHZ的前端总线，它的数据传输率就等于64bit x 800MHz / 8（Bytes)=6.4GB/s. * * 负载均衡：由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助。通过某种负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。均衡负载能够平均分配客户请求到服务器列阵，籍此提供快速获取重要数据，解决大量并发访问服务问题。这种群集技术可以用最少的投资获得接近于大型主机的性能。 * * QoS(带宽管理）: 限制每一个组群的带宽，让有限的带宽发挥最大的效用。

拉流

直播协议选择：即时性要求较高或有互动需求的可以采用RTMP,RTSP;对于有回放或跨平台需求的，推荐使用HLS。

* * HLS：由Apple公司定义的利用实时流传输的协议，HLS基于HTTP协议实现，传输内容包括两部分，一是M3U8描述文件，二是TS媒体文件。可实现流媒体的直播和点播，主要应用在IOS系统。 * HLS是以点播的技术方式来实现直播 * HLS是自适应码率流播，客户端会根据网络情况自动选择不同码率的视频流，条件允许的情况下使用高码率，网络繁忙的时候使用低码率，并且自动在二者间随意切换。这对移动设备网络状况步稳定的情况下保障流畅播放非常有帮助。 * 实现方法是服务器提供多码率视频流，并且在列表文件中注明，播放器根据播放进度和下载速度自动调整。 * * HLS与RTMP对比：HLS主要是延时比较大，RTMP主要优势在于延时低 * HLS协议的小切片方式会生成大量的文件，存储或处理这些文件会造成大量资源浪费 * 相比使用RTSP协议的好处在于，一旦切分完成，之后的分发过程不需要额外使用任何专门软件，普通的网络服务器即可，大大降低了CDN边缘服务器的配置要求，可以使用任何现成的CDN，而一般服务器很少支持RTSP。 * * HTTP-FLV: 基于HTTP协议流式的传输媒体内容 * 相对于RTMP，HTTP更简单和广为人知，内容延迟同样可以做到1~3秒，打开速度更快，因为HTTP本身没有复杂的状态交互。所以从延迟角度来看，HTTP-FLV要优于RTMP。 * * RTSP:实时流传输协议，定义了一对多应用程序如何有效地通过IP网络传送多媒体数据 * * RTP：实时传输协议，RTP是建立在UDP协议上，常与RTCP一起使用，其本身并没有提供按时发送机制或其它服务质量（QoS)保证，它依赖于底层服务去实现这一过程。 * * RTCP:RTP的配套协议，主要功能是为RTP所提供的服务质量(QoS)提供反馈，收集相关媒体连接的统计信息，例如传输字节数，传输分组数，丢失分组数，单向和双向网络延迟等等。

解码

解封装 * demuxing(分离）：从视频流、音频流，字幕流合成的文件（容器格式（FLV,TS)中，分解出视频、音频或字幕，各自进行解码。
音频编码框架 * fdk_aac:音频编码解码框架，PCM音频数据和AAC音频数据互转
解码介绍 * 硬解码：用GPU来解码，减少CPU运算 * 优点：播放流畅、低功耗，解码速度块 * 缺点：兼容不好 * 软解吗：用CPU来解码 * 优点：兼容好 * 缺点：加大CPU负担，耗电增加、没有硬解码流畅，解码速度相对慢

播放