實現RTP協議的h.264傳輸

 

1.  引言
       隨着信息產業的發展，人們對信息資源的要求已經逐漸由文字和圖片過渡到音頻和視頻，並越來越強調獲取資源的實時性和互動性。但人們又面臨着另外一種不可避免的尷尬，就是在網絡上看到生動清晰的媒體演示的同時，不得不爲等待傳輸文件而花費大量時間。爲了解決這個矛盾，一種新的媒體技術應運而生，這就是流媒體技術。流媒體由於具有啓動時延小、節省客戶端存儲空間等優勢，逐漸成爲人們的首選，流媒體網絡應用也在全球範圍內得到不斷的發展。其中實時流傳輸協議 RTP 詳細說明了在互聯網上傳遞音頻和視頻的標準數據包格式，它與傳輸控制協議 RTCP 配合使用，成爲流媒體技術最普遍採用的協議之一。 
        H.264/AVC 是ITU-T 視頻編碼專家組（VCEG）和ISO/IEC 動態圖像專家組（MPEG ）聯合組成的聯合視頻組（JVT）共同努力制訂的新一代視頻編碼標準，它最大的優勢是具有很高的數據壓縮比率，在同等圖像質量的條件下，H.264 的壓縮比是MPEG-2 的2 倍以上,是 MPEG-4的1.5～2 倍。同時，採用視頻編碼層（VCL）和網絡提取層（NAL ）的分層設計，非常適用於流媒體技術進行實時傳輸。本文就是基於 RTP 協議，對 H.264 視頻進行流式打包傳輸，實現了一個基本的流媒體服務器功能，同時利用開源播放器VLC 作爲接收端，構成一個完整的H.264 視頻傳輸系統。

2.  RTP 協議關鍵參數的設置

         RTP 協議是 IETF 在 1996 年提出的適合實時數據傳輸的新型協議。RTP 協議實際上是由實時傳輸協議RTP（Real-time Transport Protocol）和實時傳輸控制協議RTCP（Real-time Transport Control Protocol）兩部分組成。RTP 協議基於多播或單播網絡爲用戶提供連續媒體數據的實時傳輸服務；RTCP 協議是 RTP 協議的控制部分，用於實時監控數據傳輸質量，爲系統提供擁塞控制和流控制。RTP 協議在RFC3550 中有詳細介紹。每一個 RTP 數據包都由固定包頭（Header ）和載荷（Payload）兩個部分組成，其中包頭前12個字節的含義是固定的，而載荷則可以是音頻或視頻數據。RTP 固定包頭的格式如圖1所示： 

  

       

 其中比較關鍵的參數設置解釋如下：
      （1）標示位（M ）：1 位，該標示位的含義一般由具體的媒體應用框架（profile ）定義， 目的在於標記處RTP 流中的重要事件。
     （2）載荷類型（PT）：7 位，用來指出RTP負載的具體格式。在RFC3551中，對常用的音視頻格式的RTP 傳輸載荷類型做了默認的取值規定，例如，類型2 表明該RTP數據包中承載的是用ITU G.721 算法編碼的語音數據，採用頻率爲 8000HZ，並且採用單聲道。
    （3）序號:16 位，每發送一個 RTP 數據包，序號加 1。接受者可以用它來檢測分組丟失和恢復分組順序。
   （4）時間戳：32 位，時間戳表示了 RTP 數據分組中第一個字節的採樣時間，反映出各RTP 包相對於時間戳初始值的偏差。對於RTP 發送端而言，採樣時間必須來源於一個線性單調遞增的時鐘。
       從 RTP 數據包的格式不難看出，它包含了傳輸媒體的類型、格式、序列號、時間戳以及是否有附加數據等信息。這些都爲實時的流媒體傳輸提供了相應的基礎。而傳輸控制協議RTCP爲 RTP傳輸提供了擁塞控制和流控制，它的具體包結構和各字段的含義可參考RFC3550，此處不再贅述。

3.  H.264 基本流結構及其傳輸機制

3.1  H.264 基本流的結構

H.264 的基本流（elementary stream,ES）的結構分爲兩層，包括視頻編碼層（VCL）和網絡適配層（NAL）。視頻編碼層負責高效的視頻內容表示，而網絡適配層負責以網絡所要求的恰當的方式對數據進行打包和傳送。引入NAL並使之與VCL分離帶來的好處包括兩方面：其一、使信號處理和網絡傳輸分離，VCL 和NAL 可以在不同的處理平臺上實現；其二、VCL 和NAL 分離設計，使得在不同的網絡環境內，網關不需要因爲網絡環境不同而對VCL比特流進行重構和重編碼。
       H.264 的基本流由一系列NALU （Network Abstraction Layer Unit ）組成，不同的NALU數據量各不相同。H.264 草案指出[2]，當數據流是儲存在介質上時，在每個NALU 前添加起始碼：0x000001，用來指示一個 NALU的起始和終止位置。在這樣的機制下，*在碼流中檢測起始碼，作爲一個NALU得起始標識，當檢測到下一個起始碼時，當前NALU結束。每個NALU單元由一個字節的 NALU頭（NALU Header）和若干個字節的載荷數據（RBSP）組成。其中NALU 頭的格式如圖2 所示：

                                                                                                                   
        F：forbidden_zero_bit.1 位，如果有語法衝突，則爲 1。當網絡識別此單元存在比特錯誤時，可將其設爲 1，以便接收方丟掉該單元。 
        NRI：nal_ref_idc.2 位，用來指示該NALU 的重要性等級。值越大，表示當前NALU越重要。具體大於0 時取何值，沒有具體規定。

 Type：5 位，指出NALU 的類型。具體如表1 所示：

                                                                                    
      需要特別指出的是，NRI 值爲 7 和 8 的NALU 分別爲序列參數集（sps）和圖像參數集（pps）。參數集是一組很少改變的，爲大量VCL NALU 提供解碼信息的數據。其中序列參數集作用於一系列連續的編碼圖像，而圖像參數集作用於編碼視頻序列中一個或多個獨立的圖像。如果*沒能正確接收到這兩個參數集，那麼其他NALU 也是無法解碼的。因此它們一般在發送其它 NALU 之前發送，並且使用不同的信道或者更加可靠的傳輸協議（如TCP）進行傳輸，也可以重複傳輸。

 

3.2  適用於 H.264 視頻的傳輸機制
       前面分別討論了RTP 協議及H.264基本流的結構，那麼如何使用RTP協議來傳輸H.264視頻了?一個有效的辦法就是從H.264視頻中剝離出每個NALU，在每個NALU前添加相應的RTP包頭，然後將包含RTP 包頭和NALU 的數據包發送出去。下面就從RTP包頭和NALU兩方面分別闡述。
      完整的 RTP 固定包頭的格式在前面圖 1 中已經指出，根據RFC3984[3]，這裏詳細給出各個位的具體設置。
      V：版本號，2 位。根據RFC3984，目前使用的RTP 版本號應設爲0x10。
      P：填充位，1 位。當前不使用特殊的加密算法，因此該位設爲 0。
      X：擴展位，1 位。當前固定頭後面不跟隨頭擴展，因此該位也爲 0。
      CC：CSRC 計數，4 位。表示跟在 RTP 固定包頭後面CSRC 的數目，對於本文所要實現的基本的流媒體服務器來說，沒有用到混合器，該位也設爲 0x0。
       M：標示位，1 位。如果當前 NALU爲一個接入單元最後的那個NALU，那麼將M位置 1；或者當前RTP 數據包爲一個NALU 的最後的那個分片時（NALU 的分片在後面講述），M位置 1。其餘情況下M 位保持爲 0。 
       PT：載荷類型，7 位。對於H.264 視頻格式，當前並沒有規定一個默認的PT 值。因此選用大於 95 的值可以。此處設爲0x60（十進制96）。
      SQ：序號，16 位。序號的起始值爲隨機值，此處設爲 0，每發送一個RTP 數據包，序號值加 1。
      TS：時間戳，32 位。同序號一樣，時間戳的起始值也爲隨機值，此處設爲0。根據RFC3984， 與時間戳相應的時鐘頻率必須爲90000HZ。
      SSRC：同步源標示，32 位。SSRC應該被隨機生成，以使在同一個RTP會話期中沒有任何兩個同步源具有相同的SSRC 識別符。此處僅有一個同步源，因此將其設爲0x12345678。
      對於每一個NALU，根據其包含的數據量的不同，其大小也有差異。在IP網絡中，當要傳輸的IP 報文大小超過最大傳輸單元MTU（Maximum Transmission Unit ）時就會產生IP分片情況。在以太網環境中可傳輸的最大 IP 報文（MTU）的大小爲 1500 字節。如果發送的IP數據包大於MTU，數據包就會被拆開來傳送，這樣就會產生很多數據包碎片，增加丟包率，降低網絡速度。對於視頻傳輸而言，若RTP 包大於MTU 而由底層協議任意拆包，可能會導致接收端播放器的延時播放甚至無法正常播放。因此對於大於MTU 的NALU 單元，必須進行拆包處理。

RFC3984 給出了3 中不同的RTP 打包方案：

（1）Single NALU Packet:在一個RTP 包中只封裝一個NALU，在本文中對於小於 1400字節的NALU 便採用這種打包方案。
       （2）Aggregation Packet:在一個RTP 包中封裝多個NALU，對於較小的NALU 可以採用這種打包方案，從而提高傳輸效率。
       （3）Fragmentation Unit:一個NALU 封裝在多個RTP包中，在本文中，對於大於1400字節的NALU 便採用這種方案進行拆包處理。

4.  H.264 流媒體傳輸系統的實現

       一個完整的流媒體傳輸系統包含服務器端和客戶端兩個部分[5][6]。對於服務器端，其主要任務是讀取H.264 視頻，從碼流中分離出每個NALU 單元，分析NALU 的類型，設置相應的 RTP 包頭，封裝 RTP 數據包併發送。而對於客戶端來說，其主要任務則是接收 RTP數據包，從RTP 包中解析出NALU 單元，然後送至*進行解碼播放。該流媒體傳輸系統的框架如圖3 所示。

                                                                                                

5. 結論

本文所設計的流媒體傳輸系統服務器端運行在Windows XP 系統，用VLC 播放器作爲客戶端接收H.264 視頻RTP 數據包。經測試，客戶端在經過2 秒的緩衝過後即能流暢播放,傳輸速度設爲 30 幀每秒的情況下，未出現丟包拖影等現象，視頻主觀質量良好，與本地播放該H.264 視頻無明顯區別。

AnyChat採用國際領先的視頻編碼標準H.264（MPEG-4 part 10 AVC /H.264）編碼，H.264/AVC 在壓縮效率方面有着特殊的表現，一般情況下達到 MPEG-2 及 MPEG-4 簡化類壓縮效率的大約 2 倍。H.264具有許多與舊標準不同的新功能，它們一起實現了編碼效率的提高。特別是在幀內預測與編碼、幀間預測與編碼、可變矢量塊大小、四分之一像素運動估計、多參考幀預測、自適應環路去塊濾波器、整數變換、量化與變換系數掃描、熵編碼、加權預測等實現上都有其獨特的考慮。

 佰銳科技採用先進去馬賽克技術，保障在視頻通訊過程中不出現花屏、馬賽克等現象。免費測試下載地址：
http://www2.bairuitech.com/downloads/bairuisoft/AnyChatCoreSDK_V3.0.rar