本文介紹了一種基于新型的音視頻同步解決方案。闡述了方案的構(gòu)思，設(shè)計(jì)和實(shí)現(xiàn)方法。該方案已在一種新型的數(shù)字化智能家居門禁系統(tǒng)中得到了應(yīng)用，并取得良好的效果。

一、引言

目前，成熟的智能家居系統(tǒng)的室外機(jī)、門禁可視對(duì)講和門禁控制幾乎全部采用模擬信號(hào)，安裝時(shí)需要架設(shè)專用網(wǎng)絡(luò)，布線復(fù)雜，不可擴(kuò)展，靈活性差，傳輸距離短，投資大，維護(hù)成本高。隨著市場(chǎng)需求的增長(zhǎng)、消費(fèi)者消費(fèi)觀念的提高以及模擬系統(tǒng)沉重的工程維護(hù)代價(jià)，結(jié)合以太網(wǎng)技術(shù)的全數(shù)字室外機(jī)和門禁產(chǎn)品成為研發(fā)的熱點(diǎn)。但是在諸多因素影響下，當(dāng)前的數(shù)字門禁產(chǎn)品不成熟、不穩(wěn)定、價(jià)格高昂，特別是門禁對(duì)講中的音視頻同步問(wèn)題，一直以來(lái)都是數(shù)字可視對(duì)講的短板。

二、音視頻同步問(wèn)題概述

音視頻同步問(wèn)題是可視對(duì)講中的重點(diǎn)需要解決的問(wèn)題之一，也是一直以來(lái)被模擬門禁產(chǎn)品廠商攻擊的一個(gè)弱點(diǎn)，因?yàn)槟M可視對(duì)講產(chǎn)品都采用專線傳輸，不存在這個(gè)問(wèn)題。解決同步問(wèn)題的方法有很多種，其中時(shí)間戳是最成熟最完美也是最復(fù)雜的解決辦法，可以解決任何多媒體領(lǐng)域的音視頻同步問(wèn)題；其原理是選擇一個(gè)參考時(shí)間，在生成數(shù)據(jù)流時(shí)依據(jù)參考時(shí)間上的時(shí)間給每個(gè)數(shù)據(jù)塊都打上時(shí)間戳；在播放時(shí)，讀取數(shù)據(jù)塊上的時(shí)間戳，同時(shí)參考當(dāng)前時(shí)鐘上的時(shí)間來(lái)安排播放，讓快于這個(gè)參考時(shí)間的包等待，丟棄慢于這個(gè)參考時(shí)間的包。在基于時(shí)間戳的同步機(jī)制中，僅僅對(duì)不同步的數(shù)據(jù)進(jìn)行處理是不完備的，還需要反饋機(jī)制，如基于Windows平臺(tái)的DirectShow就提供這樣一個(gè)反饋機(jī)制，它的質(zhì)量控制（QualityControl）可以將播放的狀態(tài)反饋給源，讓源端加快或者放慢數(shù)據(jù)流的速度。

在多媒體文件采集，播放及對(duì)同步的要求都非常嚴(yán)格，如果從多媒體文件中分離出音視頻數(shù)據(jù)的數(shù)據(jù)不同步，音視頻的時(shí)間差則會(huì)越來(lái)越大，這是無(wú)法忍受的，所以在多媒體文件中，不但要求有同步機(jī)制，還要求有反饋機(jī)制。

三、數(shù)字可視對(duì)講中的音視頻同步方案

在數(shù)字可視對(duì)講中，可以考慮的音視頻同步方案有兩種：一是發(fā)送端解決；二是接收端解決。

發(fā)送端解決方法比較簡(jiǎn)單，具體措施是在發(fā)送端先將一段時(shí)間內(nèi)采集到音視頻數(shù)據(jù)打包。比如采集到一幀視頻圖像，將這幀圖像與采集這幀視頻的時(shí)間內(nèi)采集到的視頻數(shù)據(jù)打成一個(gè)包，接收端接收到這個(gè)包之后解包分別播放就可以了。發(fā)送端解決的控制方法比較簡(jiǎn)單，但是在高清要求清晰度比較高的情況下就不是很理想，清晰度高，意味著每個(gè)音視頻包數(shù)據(jù)量就大，能保證同步，卻難以保證連續(xù)。我們?cè)谕粋€(gè)線程中按照先后順序發(fā)送PCM音頻和H.264視頻，測(cè)試結(jié)果表明這種方法確實(shí)存在連續(xù)問(wèn)題。

接收端解決方案繞不開(kāi)的問(wèn)題是時(shí)間戳，接收端根據(jù)接收到的音視頻數(shù)據(jù)的時(shí)間戳安排播放。時(shí)間戳需要一個(gè)參考時(shí)間，而采集過(guò)程中視頻的時(shí)間是不定的，數(shù)字?jǐn)z像頭采集圖像的幀率是一個(gè)平均值，不宜用來(lái)做參考時(shí)間，所以只能用音頻時(shí)間作為參考時(shí)間。

四、聲卡編程和聲卡驅(qū)動(dòng)的時(shí)間機(jī)制

門禁可視對(duì)講中音頻是雙向的。本文的門禁可視對(duì)講方案中，音頻的采用PCM（PulseCodeModulation——脈碼調(diào)制錄音）采集，在網(wǎng)絡(luò)中傳送的也是原始數(shù)據(jù)，之所以沒(méi)有對(duì)音頻數(shù)據(jù)進(jìn)行編碼處理是基于以下原因：一是S3C6410沒(méi)有提供對(duì)音頻的硬編解碼，如果使用軟件實(shí)現(xiàn)編解碼，在有限的系統(tǒng)資源條件下難以實(shí)現(xiàn)；二是音頻數(shù)據(jù)量較小：采用8000采樣率和量化位數(shù)為8位的電話語(yǔ)音標(biāo)準(zhǔn)，一秒的音頻數(shù)據(jù)是8K字節(jié)，只相當(dāng)于視頻1幀數(shù)據(jù)的兩倍，這對(duì)普遍擁有百兆網(wǎng)卡的局域網(wǎng)來(lái)說(shuō)，數(shù)據(jù)量很小。實(shí)驗(yàn)的結(jié)果表明，這種簡(jiǎn)單的處理方式被證明是有效的。

Linux操作系統(tǒng)下音頻接口有/dev/dsp，/dev/audio，/dev/Mixer三種。前兩種的屬性基本相同，DSP是數(shù)字信號(hào)處理器（DigitalSignalProcessor）的簡(jiǎn)稱，是用于數(shù)字采樣（sampling）和數(shù)字錄音（recording）的設(shè)備文件，它對(duì)于Linux下的音頻編程來(lái)講非常重要。向該設(shè)備寫數(shù)據(jù)即意味著激活聲卡上的D/A轉(zhuǎn)換器進(jìn)行放音，而向該設(shè)備讀數(shù)據(jù)則意味著激活聲卡上的A/D轉(zhuǎn)換器進(jìn)行錄音。目前許多聲卡都提供有多個(gè)數(shù)字采樣設(shè)備。/dev/audio屬性與dsp類似，但更多的用于sun的工作站中，為兼容性考慮，應(yīng)用中一般使用/dev/dsp作為音頻接口。mixer為混音器，也是聲卡設(shè)備中相當(dāng)重要的一部分，它的作用是將多個(gè)信號(hào)組合或者疊加到一起，但對(duì)應(yīng)用程序來(lái)說(shuō)，這些都無(wú)需考慮，但可以通過(guò)這個(gè)接口調(diào)節(jié)聲卡播放時(shí)聲音的大小等參數(shù)。

無(wú)論是Linux下還是Windows下，聲卡的編程接口都是由聲卡驅(qū)動(dòng)提供的，而驅(qū)動(dòng)都是會(huì)考慮到時(shí)間機(jī)制的，其表現(xiàn)形式就是當(dāng)聲卡驅(qū)動(dòng)沒(méi)有裝好時(shí)，使用播放器播放多媒體文件時(shí)聲音以極快的速度過(guò)去了，但是聲卡驅(qū)動(dòng)裝好之后就很正常了，本文的音視頻同步解決方案即以此為基礎(chǔ)。

五、基于音頻時(shí)間機(jī)制的音視頻同步解決方案

與文件形式的多媒體不同的是，可視對(duì)講中音視頻流的源端是永遠(yuǎn)同步的。所以一種簡(jiǎn)單的解決方案是發(fā)送端啟用獨(dú)立的音頻和視頻線程，進(jìn)行音視頻采集，采集后只管往外發(fā)送數(shù)據(jù)，接收端接到數(shù)據(jù)就分別解碼播放，從表面看，這種采用無(wú)同步機(jī)制多線程解決方案是可行的，但是忽略了一個(gè)問(wèn)題，即音頻數(shù)據(jù)包和視頻數(shù)據(jù)包的大小。包的大小會(huì)影響網(wǎng)絡(luò)傳輸?shù)乃俣取＿@種差別在網(wǎng)絡(luò)條件好的情況下顯示不出來(lái)，一旦遇到網(wǎng)絡(luò)擁塞或者其他情況就會(huì)變得很明顯。

根據(jù)對(duì)音頻采集和處理的敘述，我們知道，音頻的采集是有時(shí)間機(jī)制的。比如采樣率是8000，采樣位數(shù)是8，我們就可以算出采8K字節(jié)的數(shù)據(jù)所用的時(shí)間是1s，這樣音頻就可以按照自己的速度播放；而攝像頭每秒采集的幀數(shù)是相對(duì)固定的，如OV9650采集速度為平均每秒30幀，這樣即可以算出1/30秒（約為0.03333，具體精度可以根據(jù)要求決定）刷新一幀圖片，這種方式中只要保證源端音頻視頻的采集是同步的就可以，而門禁對(duì)講過(guò)程中，這種同步是原生的。

接收端接收到音頻數(shù)據(jù)，直接交給聲卡播放，當(dāng)前播放的音頻包的時(shí)間戳?xí)r間傳送給視頻線程；接收到視頻幀，則將其時(shí)間戳?xí)r間與當(dāng)前播放的音頻時(shí)間戳進(jìn)行比較，若未達(dá)到參考時(shí)間，則解碼播放；若達(dá)到參考時(shí)間，則說(shuō)明該視頻幀滯后，丟棄該視頻幀，接收下一個(gè)視頻幀，循環(huán)往復(fù)，直到線程接收到結(jié)束命令停止；以上述音頻采樣率和采樣位數(shù)為例，視頻參考時(shí)間的計(jì)算方法為（以C語(yǔ)言格式的？號(hào)表達(dá)式表示）：

音頻時(shí)間戳?xí)r間+1/30＞視頻時(shí)間戳?xí)r間？丟棄：播放；

在編程實(shí)現(xiàn)時(shí)，采集端和播放端的音頻和視頻可采用獨(dú)立的線程，并利用Qt的信號(hào)槽機(jī)制實(shí)現(xiàn)音視頻線程時(shí)間戳的傳遞，此處不再贅述。

六、方案測(cè)試

本同步方案在科技部中小型企業(yè)產(chǎn)業(yè)化創(chuàng)新基金項(xiàng)目“智能家居系統(tǒng)與控制器”中得到應(yīng)用，應(yīng)用結(jié)果表明，這種音視頻同步解決方案可以實(shí)現(xiàn)數(shù)字門禁可視對(duì)講的音視頻同步。

責(zé)任編輯：gt