实时音视频开发理论必备：如何省流量？视频高度压缩背后的预测技术
本文引用了“拍乐云 Pano”的“深入浅出理解视频编解码技术”和“揭秘视频千倍压缩背后的技术原理之预测技术”文章部分内容，感谢原作者的分享。
1、引言
从 20 世纪 90 年代以来，数字音视频编解码技术迅速发展，一直是国内外研究的热点领域。随着 5G 的成熟和广泛商用，带宽已经越来越高，传输音视频变得更加容易。视频直播、视频聊天，已经完全融入了每个人的生活。
视频为何如此普及呢？是因为通过视频能方便快捷地获取到大量信息。但视频数据量非常巨大，视频的网络传输也面临着巨大的挑战。于是视频编解码技术就出场了。
具体到实时视频场景，不仅仅是数据量的问题，实时通信对时延要求、设备适配、带宽适应的要求也非常高，要解决这些问题，始终离不开视频编解码技术的范畴。
本文将从视频编解码技术的基础知识入手，引出视频编解码技术中非常基础且重要的预测技术，学习帧内预测和帧间预测的技术原理。
2、相关文章
如果你是音视频技术初学者，以下 3 篇入门级干货非常推荐一读：
3、为什么需要视频编解码
首先，来复习一下视频编解码方面的理论常识。
视频是由一系列图片按照时间顺序排列而成：
1）每一张图片为一帧；
2）每一帧可以理解为一个二维矩阵；
3）矩阵的每个元素为一个像素。
一个像素通常由三个颜色进行表达，例如用 RGB 颜色空间表示时，每一个像素由三个颜色分量组成。每一个颜色分量用 1 个字节来表达，其取值范围就是 0~255。编码中常用的 YUV 格式与之类似，这里不作展开。
以 1280x720@60fps 的视频序列为例，十秒钟的视频有：1280*720*3*60*10 = 1.6GB。
如此大量的数据，无论是存储还是传输，都面临巨大的挑战。视频压缩或者编码的目的，也是为了保证视频质量的前提下，将视频减小，以利于传输和存储。同时，为了能正确还原视频，需要将其解码。
PS：限于篇幅，视频编解码方面的技术原理就不在此展开，有兴趣强烈推荐从这篇深入学习：《即时通讯音视频开发（十九）：零基础，史上最通俗视频编码技术入门》。
总之，视频编解码技术的主要作用就是：在可用的计算资源内，追求尽可能高的视频重建质量和尽可能高的压缩比，以达到带宽和存储容量的要求。
为何突出“重建质量”？
因为视频编码是个有损的过程，用户只能从收到的视频流中解析出“重建”画面，它与原始的画面已经不同，例如观看低质量视频时经常会碰到的“块”效应。
如何在一定的带宽占用下，尽可能地保持视频的质量，或者在保持质量情况下，尽可能地减少带宽利用率，是视频编码的基本目标。
用专业术语来说，即视频编解码标准的“率失真”性能：
1）“率”是指码率或者带宽占用；
2）“失真”是用来描述重建视频的质量。
与编码相对应的是解码或者解压缩过程，是将接收到的或者已经存储在介质上的压缩码流重建成视频信号，然后在各种设备上进行显示。
4、什么是视频编解码标准
视频编解码标准，通常只定义上述的解码过程。
例如 H.264 / AVC 标准，它定义了什么是符合标准的视频流，对每一个比特的顺序和意义都进行了严格地定义，对如何使用每个比特或者几个比特表达的信息也有精确的定义。
正是这样的严格和精确，保证了不同厂商的视频相关服务，可以很方便地兼容在一起，例如用 iPhone、Android Phone 或者 windows PC 都可以观看同一在线视频网站的同一视频。
世界上有多个组织进行视频编码标准的制定工作，国际标准组织 ISO 的 MPEG 小组、国际电信联盟 ITU-T 的 VCEG 小组、中国的 AVS 工作组、Google 及各大厂商组成的开放媒体联盟等。
视频编码标准及发展历史：
自 VCEG 制定 H.120 标准开始，视频编码技术不断发展，先后成功地制定了一系列满足不同应用场景的视频编码标准。VCEG 组织先后制定了 H.120、H.261、H.262(MPEG-2 Part 2)、H.263、H.263+、H.263++。
MPEG 也先后制定了 MPEG-1、MPEG-2、MPEG-4 Part 2。以及两个国际组织合作制定的 H.264/AVC、H.265/HEVC、H.266/VVC。
中国自主知识产权的 AVS、AVS2、AVS3 视频编码标准；Google 制定的 VP8、VP9。
Google、思科、微软、苹果等公司组成的开放媒体联盟（AOM）制定的 AV1。
这里特别提一下 H.264/AVC：H.264/AVC 虽有近 20 年历史，但它优秀的压缩性能、适当的运算复杂度、优秀的开源社区支持、友好的专利政策、强大的生态圈等多个方面的因素，依旧让它保持着强大的生命力，特别是在实时通信领域。像 ZOOM、思科 Webex 等视频会议产品和基于 WebRTC SDK 的视频服务，大多数主流场景都采用 H.264/AVC。
有关视频编解码标准，这里就不深入展开。更多详细资料，可以读一下下面这些精选文章：
《即时通讯音视频开发（五）：认识主流视频编码技术H.264》
《即时通讯音视频开发（十三）：实时视频编码H.264的特点与优势》
5、混和编码框架
纵观视频编解码标准历史，每一代视频标准都在率失真性能上有着显著的提升，他们都有一个核心的框架，就是基于块的混合编码框架（如下图所示）。它是由 J. R. Jain 和 A. K. Jain 在 1979 年的国际图像编码学会(PCS 1979)上提出了基于块运动补偿和变换编码的混合编码框架。
我们一起来对该框架进行拆解和分析。
从摄像头采集到的一帧视频：通常是 YUV 格式的原始数据，我们将它划分成多个方形的像素块依次进行处理（例如 H.264/AVC 中以 16x16 像素为基本单元），进行帧内/帧间预测、正变换、量化、反量化、反变换、环路滤波、熵编码，最后得到视频码流。从视频第一帧的第一个块开始进行空间预测，因当前正在进行编码处理的图像块和其周围的图像块有相似性，我们可以用周围的像素来预测当前的像素。我们将原始像素减去预测像素得到预测残差，再将预测残差进行变换、量化，得到变换系数，然后将其进行熵编码后得到视频码流。
接下来：为了可以使后续的图像块可以使用已经编码过的块进行预测，我们还要对变换系统进行反量化、反变换，得到重建残差，再与预测值进行求合，得到重建图像。最后我们对重建图像进行环路滤波、去除块效应等，这样得到的重建图像，就可以用来对后续图像块进行预测了。按照以上步骤，我们依次对后续图像块进行处理。
对于视频而言：视频帧与帧的间隔大约只有十到几十毫秒，通常拍摄的内容不会发生剧烈变化，它们之间存在非常强的相关性。
如下图所示，将视频图像分割成块，在时间相邻的图像之间进行匹配，然后将匹配之后的残差部分进行编码，这样可以较好地去除视频信号中的视频帧与帧之间的冗余，达到视频压缩的目的。这就是运动补偿技术，直到今天它仍然是视频编解码的核心技术之一。
运动估计和运动补偿：
变换编码的核心思想：是把视频数据分割成块，利用正交变换将数据的能量集中到较少几个变换系数上。结合量化和熵编码，我们可以获得更有效的压缩。视频编码中信息的损失和压缩比的获得，很大程度上来源于量化模块，就是将源信号中的单一样本映射到某一固定值，形成多到少的映射，从而达到压缩的目的，当然在压缩的过程中就引入了损失。量化后的信号再进行无损的熵编码，消除信号中的统计冗余。熵编码的研究最早可以追溯到 20 世纪 50 年代，经过几十年的发展，熵编码在视频编码中的应用更加成熟、更加精巧，充分利用视频数据中的上下文信息，将概率模型估计得更加准确，从而提高了熵编码的效率。例如 H.264/AVC 中的 Cavlc（基于上下文的变长编码）、Cabac（基于上下文的二进制算术编码）。算术编码技术在后续的视频编码标准，如 AV1、HEVC/H.265、VVC/H.266 中也有应用。
视频编码发展至今，VVC/H.266 作为最新制定的标准，采纳了一系列先进的技术，对混合编码框架的各个部分都进行了优化和改进，使得其率失真性能相比前一代标准，又提高了一倍。
例如：VVC/H.266 采用了 128x128 大小的基本编码单元，并且可以继续进行四叉树划分，支持对一个划分进行二分、三分；色度分量独立于亮度分量，支持单独进行划分；更多更精细的帧内预测方向、帧间预测模式；支持多种尺寸和形式的变换、环内滤波等。
VVC/H.266 的制定，目标是对多种视频内容有更好支持，例如屏幕共享内容、游戏、动漫、虚拟现实内容（VR、AR）等。其中也有特定的技术被采纳进标准，例如调色板模式、帧内运动补偿、仿射变换、跳过变换、自适应颜色变换等。
回到本文的正题，接下来的内容，我们着重介绍视频编解码中的预测技术。
6、帧内预测技术
视频数据被划分成方块之后，相邻的方块的像素，以及方块内的像素，颜色往往是逐渐变化的，他们之间有比较强的有相似性。这种相似性，就是空间冗余。既然存在冗余，就可以用更少的数据量来表达这样的特征。
比如：先传输第一个像素的值，再传输第二个像素相对于第一个像素的变化值，这个变化值往往取值范围变小了许多，原来要 8 个 bit 来表达的像素值，可能只需要少于 8 个 bit 就足够了。
同样的道理，以像素块为基本单位，也可以进行类似的“差分”操作。我们从示例图中，来更加直观地感受一下这样的相似性。
如上图中所标出的两个 8x8 的块：其亮度分量（Y）沿着“左上到右下”的方向，具有连续性，变化不大。
假如：我们设计某种特定的“模式”，使其利用左边的块来“预测”右边的块，那么“原始像素”减去“预测像素”就可以减少传输所需要的数据量，同时将该“模式”写入最终的码流，解码器便可以利用左侧的块来“重建”右侧的块。
极端一点讲：假如左侧的块的像素值经过一定的运算可以完全和右侧的块相同，那么编码器只要用一个“模式”的代价，传输右侧的块。
当然，视频中的纹理多种多样，单一的模式很难对所有的纹理都适用，因此标准中也设计了多种多样的帧内预测模式，以充分利用像素间的相关性，达到压缩的目的。
例如下图所示的 H.264 中 9 种帧内预测方向：以模式 0（竖直预测）为例，上方块的每个像素值（重建）各复制一列，得到帧内预测值。其它各种模式也采用类似的方法，不过，生成预测值的方式稍有不同。有这么多的模式，就产生了一个问题，对于一个块而言，我们应该采用哪种模式来进行编码呢？最佳的选择方式，就是遍历所有的模式进行尝试，计算其编码的所需的比特数和产生的质量损失，即率失真优化，这样明显非常复杂，因而也有很多种其它的方式来推断哪种模式更好，例如基于 SATD 或者边缘检测等。
从 H.264 的 9 种预测模式，到 AV1 的 56 种帧内方向预测模式，越来越多的模式也是为了更加精准地预测未编码的块，但是模式的增加，一方面增加了传输模式的码率开销，另一方面，从如此重多的模式中选一个最优的模式来编码，使其能达到更高的压缩比，这对编码器的设计和实现也提出了更高的要求。
7、帧间预测技术
以下 5 张图片是一段视频的前 5 帧：可以看出，图片中只有 Mario 和砖块在运动，其余的场景大多是相似的，这种相似性就称之为时间冗余。编码的时候，我们先将第一帧图片通过前文所述的帧内预测方式进行编码传输，再将后续帧的 Mario、砖块的运动方向进行传输，解码的时候，就可以将运动信息和第一帧一起来合成后续的帧，这样就大大减少了传输所需的 bit 数。这种利用时间冗余来进行压缩的技术，就是运动补偿技术。该技术早在 H.261 标准中，就已经被采用。
细心地读者可能已经发现：Mario 和砖块这样的物体怎么描述，才能让它仅凭运动信息就能完整地呈现出来？
其实视频编码中并不需要知道运动的物体的形状，而是将整帧图像划分成像素块，每个像素块使用一个运动信息。即基于块的运动补偿。
下图中红色圈出的白色箭头即编码砖块和 Mario 时的运动信息，它们都指向了前一帧中所在的位置。Mario 和砖块都有两个箭头，说明它们都被划分在了两个块中，每一个块都有单独的运动信息。这些运动信息就是运动矢量。运动矢量有水平和竖直两个分量，代表是的一个块相对于其参考帧的位置变化。参考帧就是已经编码过的某一（多）个帧。
当然：传输运动矢量本身就要占用很多 bit。为了提高运动矢量的传输效率，主要有以下措施。
一方面：可以尽可能得将块划分变大，共用一个运动矢量，因为平坦区域或者较大的物体，他们的运动可能是比较一致的。从 H.264 开始，可变块大小的运动补偿技术被广泛采用。
另一方面：相邻的块之间的运动往往也有比较高的相似性，其运动矢量也有较高的相似性，运动矢量本身也可以根据相邻的块运动矢量来进行预测，即运动矢量预测技术；
最后：运动矢量在表达物体运动的时候，有精度的取舍。像素是离散化的表达，现实中物体的运动显然不是以像素为单位进行运动的，为了精确地表达物体的运动，需要选择合适的精度来定义运动矢量。各视频编解码标准都定义了运动矢量的精度，运动矢量精度越高，越能精确地表达运动，但是代价就是传输运动矢量需要花费更多的 bit。
H.261 中运动矢量是以整像素为精度的，H.264 中运动矢量是以四分之一像素为精度的，AV1 中还增加了八分之一精度。一般情况，时间上越近的帧，它们之间的相似性越高，也有例外，例如往复运动的场景等，可能相隔几帧，甚至更远的帧，会有更高的相似度。
为了充分利用已经编码过的帧来提高运动补偿的准确度，从 H.264 开始引入了多参考帧技术。
即：一个块可以从已经编码过的很多个参考帧中进行运动匹配，将匹配的帧索引和运动矢量信息都进行传输。
那么如何得到一个块的运动信息呢？最朴素的想法就是，将一个块，在其参考帧中，逐个位置进行匹配检查，匹配度最高的，就是最终的运动矢量。
匹配度：常用的有 SAD（Sum of Absolute Difference）、SSD（Sum of Squared Difference）等。逐个位置进行匹配度检查，即常说的全搜索运动估计，其计算复杂度可想而知是非常高的。为了加快运动估计，我们可以减少搜索的位置数，类似的有很多算法，常用的如钻石搜索、六边形搜索、非对称十字型多层次六边形格点搜索算法等。
以钻石搜索为例，如下图所示，以起始的蓝色点为中心的 9 个匹配位置，分别计算这 9 个位置的 SAD，如果 SAD 最小的是中心位置，下一步搜索中心点更近的周围 4 个绿色点的 SAD，选择其中 SAD 最小的位置，继续缩小范围进行搜索；如果第一步中 SAD 最小的点不在中心，那么以该位置为中心，增加褐色的 5 或者 3 个点，继续计算 SAD，如此迭代，直到找到最佳匹配位置。
编码器在实现时，可根据实际的应用场景，对搜索算法进行选择。
例如：在实时音视频场景下，计算复杂度是相对有限的，运动估计模块要选择计算量较小的算法，以平衡复杂度和编码效率。当然，运动估计与运动补偿的复杂度还与块的大小，参考帧的个数，亚像素的计算等有关，在此不再深入展开。
更多预测技术方面的原理这里就不再赘述。如果你对上面所述的预测技术理解上感到力不从心，这里有篇入门级的文章，可以先读读这篇《即时通讯音视频开发（四）：视频编解码之预测技术介绍》。
8、写在最后
音视频编解码技术，归根结底就是在有限的资源下（网络带宽、计算资源等），让音质更清晰、视频更高质。
这其中，对于视频来说，质量的提升仍然有很多可以深入研究的热点问题。
比如：基于人眼的主观质量优化，主要利用人眼的视觉特性，将掩蔽效应、对比度灵敏度、注意力模型等与编码相结合，合理分配码率、减少编码损失引起的视觉不适。
AI 在视频编解码领域的应用：包括将多种人工智能算法，如分类器、支持向量机、CNN 等对编码参数进行快速选择，也可以使用深度学习对视频进行编码环外与编码环内的处理，如视频超分辨率、去噪、去雾、自适应动态范围调整等编码环外处理，达到提升视频质量的目的。
此外还有打破传统混合编码框架的深度神经网络编码，如 Nvidia 的 Maxine 视频会议服务，利用深度学习来提取特征，然后对特征进行传输以节省带宽。
附录：参考资料
本文已同步发布于“即时通讯技术圈”公众号。
还未添加个人签名 2019.08.26 加入
开源IM框架MobileIMSDK、BeautyEye的作者。
评论