文章目录

• • 前序
  • MP4简介
  • • MP4的定义
    • MP4的封装格式
  • Box类型详解
  • • Box格式
    • ftyp box
    • mvhd box
    • tkhd box
    • hdlr box
    • mdat box
    • stbl box
    • stsd box
    • stco box
    • stsc box
    • stsz box
    • stts box
    • stss box
  • demuxer demo的实现(视频数据部分)
  • 总结：
  • 工具介绍
  • 源码
  • 参考

前序

最近为了更加深入了解音视频demux这块的功能，准备着手写个demuxer，提取视频流。

MP4简介

MP4的定义

MP4是一种常用的视音频流封装格式，按照指定的协议来存放媒体数据；因为mp4是基于苹果QuickTime文件格式，所以与mov有很多相同之处，在苹果开发者平台可以看到详细的有关封装文档(https://developer.apple.com/library/archive/documentation/QuickTime/QTFF/QTFFChap2/qtff2.html#//apple_ref/doc/uid/TP40000939-CH204-25615)

MP4的封装格式

• MP4格式预览—mp4是由多个box嵌套组成的
  

• MP4主要的顶部box

  ftyp box：描述MP4锁遵循的规范和版本

  mdat box ：存放媒体数据

  moov box：存放媒体参数(pps、sps等)相关信息和用于索引媒体数据存储位置的信息

• MP4常用box
  

Box类型详解

Box格式

1. size字段为整个box的大小，包括box header和box body
2. type为box的类型，通常为四字节的字符串，例如ftyp
3. 当size == 0时，box的大小为large size
4. 当box为full box时，存在version和flags字段，具体含义因box不同而不同
5. 若box没有嵌套其他box，例如ftyp box，则box body部分根据具体规范解析相应字段；若box为container box，则box body部分嵌套其它box，还需一步步解套获取最终的数据

ftyp box

• 字段分布图
  

• 字段解析

• major_brand：比如常见的 isom、mp41、mp42、avc1、qt等。它表示“最好”基于哪种格式来解析当前的文件。举例，major_brand 是 A，compatible_brands 是 A1，当解码器同时支持 A、A1 规范时，最好使用A规范来解码当前媒体文件，如果不支持A规范，但支持A1规范，那么，可以使用A1规范来解码；

• minor_version：提供 major_brand 的说明信息，比如版本号，不得用来判断媒体文件是否符合某个标准/规范；

• compatible_brands：文件兼容的brand列表。比如 mp41 的兼容 brand 为 isom。通过兼容列表里的 brand 规范，可以将文件 部分（或全部）解码出来；

mvhd box

• 字段分布图
  

• 字段解析

  • version ：一字节用于指定mvhd的版本

  • flags：3字节，预留

  • Create time：媒体创建时间，与UTC时间不同的是，此时间是从1904年1月1日0:0:0开始计算的，而utc是从1970年1月1日0:0:0开始计算，故Create time须要减去时间差换算成utc时间

    // 注：66年时间差不是66*365*24*3600来计算
    creation_time_utc = creation_time - (66年时间差) = creation_time - 2082844800
    

  • Modification time：媒体最后被修改的时间，计算方式同Create time

  • Timescale：一秒包含的时间单位（整数）。举个例子，如果timescale等于1000，那么，一秒包含1000个时间单位（后面track等的时间，都要用这个来换算，比如track的duration为10,000，那么，track的实际时长为10,000/1000=10s）；

  • Duration：影片时长（整数），根据文件中的track的信息推导出来，等于时间最长的track的duration；

  • Preferred rate：推荐的播放速率，32位整数，高16位、低16位分别代表整数部分、小数部分（[16.16]），举例 0x0001 0000 代表1.0，正常播放速度；

  • Preferred volume：播放音量，16位整数，高8位、低8位分别代表整数部分、小数部分（[8.8]），举例 0x01 00 表示 1.0，即最大音量；

  • Matrix struct：视频的转换矩阵，详情看

    Basic Data Types

  • Next_track_ID：32位整数，非0，一般可以忽略不计。当要添加一个新的track到这个影片时，可以使用的track id，必须比当前已经使用的track id要大。也就是说，添加新的track时，需要遍历所有track，确认可用的track id；

tkhd box

• 字段分布图
  

• 字段解析

  • version：tkhd box的版本；
  • flags：按位或操作获得，默认值是7（0x000001 | 0x000002 | 0x000004），表示这个track是启用的、用于播放的 且 用于预览的。
    • Track_enabled：值为0x000001，表示这个track是启用的，当值为0x000000，表示这个track没有启用；
    • Track_in_movie：值为0x000002，表示当前track在播放时会用到；
    • Track_in_preview：值为0x000004，表示当前track用于预览模式；
  • Creation time：当前track的创建时间；
  • Modification time：当前track的最近修改时间；
  • Track ID：当前track的唯一标识，不能为0，不能重复；
  • Duration：当前track的完整时长（需要除以timescale得到具体秒数）；
  • Layer：视频轨道的叠加顺序，数字越小越靠近观看者，比如1比2靠上，0比1靠上；
  • Alternate_group：当前track的分组ID，alternate_group值相同的track在同一个分组里面。同个分组里的track，同一时间只能有一个track处于播放状态。当alternate_group为0时，表示当前track没有跟其他track处于同个分组。一个分组里面，也可以只有一个track；
  • Volume：audio track的音量，介于0.0~1.0之间；
  • Matrix structure：视频的变换矩阵；
  • Track width：视频的宽
  • Track height：视频的高

hdlr box

• 字段分布图
  

• 字段解析

  • Version：hdlr box的版本
  • Flags：置0
  • Component type：四字节子串定义handler的类型；此字段只有两种值合法：'mhlr’(media handlers)和’dhlr’(data handlers)
  • Component subtype：针对Component type进行细分类型，例如’vide’定义为视频数据，'soun’定义为音频数据
  • Component manufacturer：保留，置0
  • Component flags：保留，置0
  • Component flags mask：保留，置0
  • Component name：子串指定Component 的名字，可能为空

mdat box

• 数据结构分布图
  

  注意：取到的frame前四个字节为frame数据的长度字节，须要偏移去掉

stbl box

主要存放了媒体参数(pps、sps、vps等)相关信息和用于解析mdat中视音频数据的关键信息

• stsd：给出视音频的相关参数信息，有高宽、音量、位深度和每个sample多少个frame
• stco：chunk在文件中的偏移
• stsc：每个chunk中包含几个sample
• stsz：每个sample的size（单位是字节）
• stts：每个sample的时长
• stss：哪些sample是关键帧

stsd box

• 字段分布图
  

• 字段解析

  • Version：stsd box的版本
  • Flags：置0
  • Number of entries：Sample description table的个数
  • Sample description table：以视频为例，此时Sample description table字段中为若干个视频编码相关的box，例如avc1 box

    • avc1 box

      • 字段分布图
        

      • 字段解析

        这个在https://developer.apple.com/library/archive/documentation/QuickTime/QTFF/QTFFChap2/qtff2.html的“Sample Description Atoms”一节可以研究下

    • avcC box(包含了视频关键参数，在ISO/IEC 14496-15中定义)

      • 字段分布图
        

      • 字段解析

        • num_of_sps：sps的个数
        • sps_length：sps的长度
        • sps_nal_unit：长度为sps_length的sps
        • num_of_pps：pps的个数
        • pps_length：pps的长度
        • pps_nal_unit：长度为pps_length的pps

        其他字段可以自行在ISO/IEC 14496-15中查到

stco box

• 字段分布图
  

• 字段解析

  • Version：stco box的版本
  • Flags：置0
  • Number of entries：chunk的个数
  • Chunk offset table：每个chunk在整个视频文件的偏移值，每个值的长度为4字节

stsc box

• 字段分布图
  

• 字段解析

  • Version：stsc box的版本
  • Flags：置0
  • Number of entries：”Sample-to-chunk table”的条数
  • Sample-to-chunk table：
    • First chunk：chunk的索引
    • Samples per chunk：从’First chunk’开始，每个chunk中sample的个数
    • Sample description ID：stsd box中‘Sample description table’的下标

• Sample-to-chunk table示意图
  

  • chunk1-chunk2：每个chunk中有3个sample，并且Sample description ID为23
  • chunk3-chunk4：每个chunk中有1个sample，并且Sample description ID为23
  • chunk5：每个chunk中有3个sample，并且Sample description ID为24

stsz box

• 字段分布图
  

• 字段解析

  • Version：stsz box的版本
  • Flags：置0
  • Sample size：为0则表示所有sample的大小不一定一样，不为0则表示所有sample的大小一样
  • Number of entries：”Sample size table”的条数
  • Sample size table：每个sample的size，每个sample size的长度为4字节

stts box

• 字段分布图
  

• 字段解析

  • Version：stts box的版本
  • Flags：置0
  • Number of entries：“Time-to-sample table”的条数
  • Time-to-sample table：
    • Sample count：具有相同“Sample duration”的个数
    • Sample duration：sample的时长（以timescale为计量)

• Time-to-sample table：示意图
  

  sample1 - sample4的sample duration是4

stss box

• 字段分布图
  

• 字段解析

  • Version：stts box的版本
  • Flags：置0
  • Number of entries：“Sync sample table”的条数
  • Sync sample table：关键帧对应的sample index

demuxer demo的实现(视频数据部分)

1. 获取sps pps参数

   1. 解析stsd box，其中contain avc1 box和avcC box(此步骤详解见上文)

   2. 解析avcC box可以获取到sps和pps

      以下为ISO/IEC 14496-15中解析avcC的伪代码

   aligned(8) class AVCDecoderConfigurationRecord { 
   	 unsigned int(8) configurationVersion = 1; 
   	 unsigned int(8) AVCProfileIndication; 
   	 unsigned int(8) profile_compatibility; 
   	 unsigned int(8) AVCLevelIndication; 
   	 bit(6) reserved = ‘111111’b; 
   	 unsigned int(2) lengthSizeMinusOne; 
   	 bit(3) reserved = ‘111’b; 
   	 unsigned int(5) numOfSequenceParameterSets; 
   	 for (i=0; i< numOfSequenceParameterSets; i++) { 
   		 unsigned int(16) sequenceParameterSetLength ; 
   		 bit(8*sequenceParameterSetLength) sequenceParameterSetNALUnit; 
   	 } 
   	 unsigned int(8) numOfPictureParameterSets; 
   	 for (i=0; i< numOfPictureParameterSets; i++) { 
   		 unsigned int(16) pictureParameterSetLength; 
   		 bit(8*pictureParameterSetLength) pictureParameterSetNALUnit; 
    }
   
    if( profile_idc == 100 || profile_idc == 110 || 
   	 profile_idc == 122 || profile_idc == 144 ) 
   	 { 
   		 bit(6) reserved = ‘111111’b; 
   		 unsigned int(2) chroma_format; 
   		 bit(5) reserved = ‘11111’b; 
   		 unsigned int(3) bit_depth_luma_minus8; 
   		 bit(5) reserved = ‘11111’b; 
   		 unsigned int(3) bit_depth_chroma_minus8; 
   		 unsigned int(8) numOfSequenceParameterSetExt; 
   		 for (i=0; i< numOfSequenceParameterSetExt; i++) { 
   			 unsigned int(16) sequenceParameterSetExtLength; 
   			 bit(8*sequenceParameterSetExtLength) sequenceParameterSetExtNALUnit; 
   		 } 
   	 } 
   }
   

2. 获取关键帧位置

   解析stss box可以知道哪一个sample中包含关键帧

3. 获取chunk位置

   解析stco box可以获取到每个chunk在视频文件中的索引

4. 获取每个chunk中sample个数

   解析stsc box可以获取到每个chunk包含多少个sample

5. 获取sample大小

   解析stsz box可以获取到每个sample的大小

6. 获取frame位置(demo视频文件一个sample只包含一个frame，所以sample的位置和大小就是frame的位置和大小)

   1. 根据stsd解析到每个sample中有多少个frame
   2. 然后再根据trunk的位置和sample的大小来定位frame起始地址
   3. mdat中frame的数据格式为： | 4字节数据长度 | frame数据|，所以根据字节长度读取相应个数frame

7. 获取到一帧数据后

   1. 判断当前frame为I帧，则添加写入(start_code+sps) + (start_code+pps) + (start_code + frame数据)到输出文件
   2. 判断当前frame不为I帧，则写入(start_code + frame数据)到输出文件

8. 保存成h264文件，可使用ffplay和potplay播放

注意：有些非字串的字段为大端字节序，须要转换

总结：

1. 解析非字符串的数据时，需要注意大小端的问题
2. 解析对应的box获取到sps、vps、pps
3. 解析对应的box拿到视频帧数据
4. 将视频帧写入本地文件的时候要注意
   1. 视频帧前四个字节为视频帧数据长度
   2. 若为I帧则需要加上sps、vps、pps
   3. 视频帧注意加上start_code

工具介绍

1. mp4info—可以看到相关box的字节信息，但发现对avcC的解析漏掉了几个字节
   

2. mp4 exploer—可以更加直观的看到视音频数据信息
   

源码

https://github.com/TaoChou/demuxer-c

参考

1. https://zhuanlan.zhihu.com/p/333765990
2. https://developer.apple.com/library/archive/documentation/QuickTime/QTFF/QTFFChap2/qtff2.html#//apple_ref/doc/uid/TP40000939-CH204-25691
3. ISO/IEC 14496-15