整体架构

LFLiveSession为中心切分成3部分:

  • 前面是音视频的数据采集
  • 后面是音视频数据推送到服务器
  • 中间是音视频数据的编码
整体架构.png

数据采集分为视频和音频:

  • 视频由相机和一系列的滤镜组成,最后输出到预览界面(preview)和LFLiveSession
  • 音频使用AudioUnit读取音频,输出到LFLiveSession

编码部分:

  • 视频提供软编码和硬编码,硬编码使用VideoToolBox。编码h264
  • 音频提供AudioToolBox的硬编码,编码AAC

推送部分:

  • 编码后的音视频按帧装入队列,循环推送
  • 容器采用FLV,按照FLV的数据格式组装
  • 使用librtmp库进行推送。

视频采集

视频采集部分内容比较多,可以分为几点:

  • 相机
  • 滤镜
  • 链式图像处理方案
  • opengl es

核心类,也是承担控制器角色的是LFVideoCapture,负责组装相机和滤镜,管理视频数据流。


1. 相机

相机的核心类是GPUImageVideoCamera

相机数据流程.png

视频采集使用系统库AVFoundationAVCaptureSession,所以就是常规性的几步:

  1. 构建AVCaptureSession:_captureSession = [[AVCaptureSession alloc] init];
  2. 配置输入和输出,输入是设备,一般就有前后摄像头的区别
NSArray *devices = [AVCaptureDevice devicesWithMediaType:AVMediaTypeVideo];
  for (AVCaptureDevice *device in devices) 
  {
      if ([device position] == cameraPosition)
      {
          _inputCamera = device;
      }
  }
  
  .....
  NSError *error = nil;
  videoInput = [[AVCaptureDeviceInput alloc] initWithDevice:_inputCamera error:&error];
  if ([_captureSession canAddInput:videoInput]) 
  {
      [_captureSession addInput:videoInput];
  }
  1. 输出可以是文件也可以是数据,这里因为要推送到服务器,而且也为了后续的图像处理,显然要用数据输出。
videoOutput = [[AVCaptureVideoDataOutput alloc] init];
  [videoOutput setAlwaysDiscardsLateVideoFrames:NO];
  ......
  [videoOutput setSampleBufferDelegate:self queue:cameraProcessingQueue];
  if ([_captureSession canAddOutput:videoOutput])
  {
      [_captureSession addOutput:videoOutput];
  }

中间还一大段captureAsYUV为YES时执行的代码,有两种方式,一个是相机输出YUV格式,然后转成RGBA,还一种是直接输出BGRA,然后转成RGBA。前一种对应的是kCVPixelFormatType_420YpCbCr8BiPlanarFullRangekCVPixelFormatType_420YpCbCr8BiPlanarVideoRange,后一种对应的是kCVPixelFormatType_32BGRA,相机数据输出格式只接受这3种。中间的这一段的目的就是设置相机输出YUV,然后再转成RGBA。OpenGL和滤镜的问题先略过。

这里有个问题:h264编码时用的是YUV格式的,这里输出RGB然后又转回YUV不是浪费吗?还有输出YUV,然后自己转成RGB,然后编码时再转成YUV不是傻?如果直接把输出的YUV转码推送会怎么样?考虑到滤镜的使用,滤镜方便处理YUV格式的图像吗?
这些问题以后再深入研究,先看默认的流程里的处理原理。

配置完session以及输入输出,开启session后,数据从设备采集,然后调用dataOutput的委托方法:captureOutput:didOutputSampleBuffer:fromConnection

这里还有针对audio的处理,但音频不是在这采集的,这里的audio没启用,可以直接忽略先。

然后到方法processVideoSampleBuffer:,代码不少,干的就一件事:把相机输出的视频数据转到RGBA的格式的texture里。然后调用updateTargetsForVideoCameraUsingCacheTextureAtWidth这个方法把处理完的数据传递给下一个图像处理组件。

整体而言,相机就是收集设备的视频数据,然后倒入到图像处理链里。所以要搞清楚视频输出怎么传递到预览界面和LFLiveSession的,需要先搞清楚滤镜/图像处理链是怎么传递数据的。


2. 图像处理链

这里有两种处理组件:GPUImageOutputGPUImageInput

GPUImageOutput有一个target的概念的东西,在它处理完一个图像后,把图像传递给它的target。而GPUImageInput怎么接受从其他对象那传递过来的图像。通过这两个组件,就可以把一个图像从一个组件传递另一个组件,形成链条。有点像接水管?-_-

而且可以是交叉性的,如图:

图像处理链.png

有些滤镜是需要多个输入源,比如水印效果、蒙版效果,就可能出现D+E —>F的情况。这样的结构好处就是每个环节可以自由的处理自己的任务,而不需要管数据从哪来,要推到那里去。有数据它就处理,处理完就推到自己的tagets里去。

我比较好奇的是为什么GPUImageOutput定义成了类,而GPUImageInput却是协议,这也是值得思考的问题。

有了这两个组件的认识,再去到LFVideoCapturereloadFilter方法。在这里,它把视频采集的处理链组装起来了,在这可以很清晰的看到图像数据的流动路线。

相机组件GPUImageVideoCamera继承于GPUImageOutput,它会把数据输出到它的target.

//

如果是640×480的分辨率,则路线是:videoCamera –> cropfilter –> filter,否则是videoCamera –> filter。

其他部分类似,就是条件判断是否加入某个组件,最后都会输出到:self.gpuImageViewself.output。形成数据流大概:

视频采集基本数据流.png

self.gpuImageView是视频预览图的内容视图,设置preview的代码:

- (void)setPreView:(UIView *)preView {
    if (self.gpuImageView.superview) [self.gpuImageView removeFromSuperview];
    [preView insertSubview:self.gpuImageView atIndex:0];
    self.gpuImageView.frame = CGRectMake(0, 0, preView.frame.size.width, preView.frame.size.height);
}

有了这个就可以看到经过一系列处理的视频图像了,这个是给拍摄者自己看到。

self.output本身没什么内容,只是作为最后一个节点,把内容往外界传递出去:

    __weak typeof(self) _self = self;
    [self.output setFrameProcessingCompletionBlock:^(GPUImageOutput *output, CMTime time) {
       [_self processVideo:output];
    }];
    
    ......
    
    - (void)processVideo:(GPUImageOutput *)output {
    __weak typeof(self) _self = self;
    @autoreleasepool {
        GPUImageFramebuffer *imageFramebuffer = output.framebufferForOutput;
        CVPixelBufferRef pixelBuffer = [imageFramebuffer pixelBuffer];
        
        if (pixelBuffer && _self.delegate && [_self.delegate respondsToSelector:@selector(captureOutput:pixelBuffer:)]) {
            [_self.delegate captureOutput:_self pixelBuffer:pixelBuffer];
        }
    }
}

self.delegate就是LFLiveSession对象,视频数据就流到了session部分,进入编码阶段。


3. 滤镜和OpenGL

滤镜的实现部分,先看一个简单的例子:GPUImageCropFilter。在上面也用到了,就是用来做裁剪的。

它继承于GPUImageFilter,而GPUImageFilter继承于GPUImageOutput ,它既是一个output也是input。

作为input,会接收处理的图像,看GPUImageVideoCameraupdateTargetsForVideoCameraUsingCacheTextureAtWidth方法可以知道,传递给input的方法有两个:

  • setInputFramebuffer:atIndex: 这个是传递GPUImageFramebuffer对象
  • newFrameReadyAtTime:atIndex: 这个才是开启下一环节的处理。

GPUImageFramebuffer是LFLiveKit封装的数据,用来在图像处理组件之间传递,包含了图像的大小、纹理、纹理类型、采样格式等。在图像处理链里传递图像,肯定需要一个统一的类型,除了图像本身,肯定还需要关于图像的信息,这样每个组件可以按相同的标准对待图像。GPUImageFramebuffer就起的这个作用。

GPUImageFramebuffer内部核心的东西是GLuint framebuffer,即OpenGL里的frameBufferObject(FBO).关于FBO我也不是很了解,只知道它像一个容器,可以挂载了render buffer、texture、depth buffer等,也就是原本渲染输出到屏幕的东西,可以输出到一个FBO,然后可以拿这个渲染的结果进行再一次的处理。

FBO的结构图

FBO的结构图

在这个项目里,就是在FBO上挂载纹理,一次图像处理就是经历一次OpenGL渲染,处理前的图像用纹理的形式传入OpenGL,经历渲染流程输出到FBO, 图像数据就输出到FBO绑定的纹理上了。这样做了一次处理后数据结构还是一样,即绑定texture的FBO,可以再作为输入源提供给下一个组件。

FBO的构建具体看GPUImageFramebuffer的方法generateFramebuffer

这里有一个值得学习的是GPUImageFramebuffer使用了一个缓存池,核心类GPUImageFramebufferCache。从流程里可以看得出GPUImageFramebuffer它是一个中间量,从组件A传递给组件B之后,B会使用这个framebuffer,B调用framebuffer的lock,使用完之后调用unlock。跟OC内存管理里的引用计数原理类似,lock引用计数+1,unlock-1,引用计数小于1就回归缓存池。需要一个新的frameBuffer的时候从优先从缓存池里拿,没有才构建。这一点又跟tableView的cell重用机制有点像。

缓冲区在数据流相关的程序是一个常用的功能,这种方案值得学习一下

说完GPUImageFramebuffer,再回到newFrameReadyAtTime:atIndex方法。

它里面就两个方法:renderToTextureWithVertices这个是执行OpenGL ES的渲染操作,informTargetsAboutNewFrameAtTime是通知它的target,把图像传递给下一环节处理。

上面的这些都是GPUImageFilter这个基类的,再回到GPUImageCropFilter这个裁剪功能的滤镜里。

它的贡献是根据裁剪区域的不同,提供了不同的textureCoordinates,这个是纹理坐标。它的init方法里使用的shader是kGPUImageCropFragmentShaderString,核心也就一句话:gl_FragColor = texture2D(inputImageTexture, textureCoordinate);,使用纹理坐标采样纹理。所以对于输出结果而言,textureCoordinates就是关键因素。

剪切和旋转效果都是通过修改纹理坐标的方式来达到的,vertext shader和fragment shader很简单,就是绘制一个矩形,然后使用纹理贴图


4. 纹理坐标的计算

我本以为剪切效果很简单,但是摸索到纹理坐标后发现是个巨坑,不是一两句解释的清,必须画图 -_-

顶点数据是:

static const GLfloat cropSquareVertices[] = {
        -1.0f, -1.0f,  
        1.0f, -1.0f,
        -1.0f,  1.0f,
        1.0f,  1.0f,
    };

只有4个顶点,因为绘制矩形时使用的是GL_TRIANGLE_STRIP图元,关于这个图元规则看这里。

OpenGL的坐标是y向上,x向右,配合顶点数据可知4个角的索引是这个样子的:

顶点位置.png

纹理坐标跟OpenGL坐标方向是一样的的:

纹理坐标.png

但是图像坐标却是跟它们反的,一个图片的数据是从左上角开始显示的,跟UI的坐标是一样的。也就是,读取一张图片作为texture后,纹理坐标(0, 0)读到的数据时图片左下角的。之前我搞晕了是:认为纹理坐标和OpenGL坐标是颠倒的,而没有意识到纹理和图像的区别。当用图片和用纹理做输入源时就有区别了。

有了3种坐标的认识,分析剪切效果的纹理坐标前还要先看下preview(GPUImageView)的纹理坐标逻辑,因为你眼睛看到的是preview的处理结果,它并不等于corpFiter的结果,不搞清它可能就被欺骗了。

视频图像、纹理坐标变换.png
  • 蓝色的是图像/UI的坐标方向,橙色的是texture的坐标方向,绿色的是OpenGL的坐标方向。

  • 相机后置摄像头默认输出landScapeRight方向的视频数据,这是麻烦的起源,虽然现在可以通过AVCaptureConnectionvideoOrientation属性修改了。图里就是以这种情景为例子分析。

  • landScapeRight就是逆时针旋转了,底边转到了右边。所以就有了图2。

  • 然后图像和texture是上下颠倒的,所以有了图3。

  • 然后分析3种处理情况,左转、右转和不旋转,就有了图4、5、6。

  • 有个关键点是:preview是按上下颠倒的方式显示它接收的texture,因为:

    • 视频采集结束后把数据输出给外界还是得通过图像的格式,这样其他播放器就可以不依赖于你的格式逻辑,都按照图像来处理。
    • 希望传递给外界的图像是正确的,那么图像处理链结束输出的texture格式就是颠倒的。因为图像和texture坐标是上下颠倒的。
    • preview它作为处理链输出接受者之一,接受的texture也就是颠倒的。这就造成了preview的纹理坐标是上下颠倒取的,这样显示出来才是对的。
    • 所以在没有旋转的时候,preview的纹理坐标是:
      static const GLfloat noRotationTextureCoordinates[] = {
          0.0f, 1.0f,    
          1.0f, 1.0f,
          0.0f, 0.0f,
          1.0f, 0.0f,
      };
      

      结合顶点坐标数据,第1个顶点为(-1,-1)在左下角,纹理坐标是(0,1),在左上角。第3个顶点(-1, 1)在左上角,纹理坐标(0, 0),在左下角。

  • 所以对于上图里的情景,正确显示应该取向右旋转的操作,即图5。这样显示出来,上下颠倒正好是图1。

  • 所以如果不旋转,而是直接显示相机输出的图像,也就是接受图3的纹理,显示出来的样式就是图2。修改GPUImageVideoCameraupdateOrientationSendToTargets方法,让outputRotationkGPUImageNoRotation,就可以看到视频是旋转了90度的。当然事实是,我是眼睛看到了这个结果,再反推了里面的这些逻辑的。

以纹理/图像的角度看流程是这样:

坐标变换.png

蓝色是图像,红色是纹理。

就因为上面的原因,你眼睛看到的和纹理本身是上下相反的。直接显示相机输出的时候是landscapeRight,要想变竖直,看起来应该是向左转。但这个是图像显示左转,那么就是纹理坐标按右转的取。说了那么多,坑在这里,图像的左转效果需要纹理的右转效果来实现

switch(_outputImageOrientation)
{
    case UIInterfaceOrientationPortrait:outputRotation = kGPUImageRotateRight; break;
    case UIInterfaceOrientationPortraitUpsideDown:outputRotation = kGPUImageRotateLeft; break;
    ......
}
cropFilter的纹理坐标计算

在回到剪切效果,虚线是剪切的位置:

纹理旋转+剪切的逻辑示意图.png

计算使用的数据:

    CGFloat minX = _cropRegion.origin.x;
    CGFloat minY = _cropRegion.origin.y;
    CGFloat maxX = CGRectGetMaxX(_cropRegion);
    CGFloat maxY = CGRectGetMaxY(_cropRegion);

就是剪切区域的上下左右边界,看剪切+右转的情形。图6是最终期望的结果,但剪切是图像处理之一,它的输出是texture,所以它的输出是图3。第1个顶点,也就是左下角(-1, -1),对应的内容位置是1附近的虚线框顶点,1在输入的texture里是左上角,纹理坐标的x是距离边1-2的距离,纹理坐标y是距离距离边2-3的距离。

minX、minY这些数据是在哪个图的?图6。因为我们传入的数据是根据自己眼睛看到的样子来的,这个才是最终人需要的结果:

  • minX是虚线框边1-4距离外框边1-4的距离
  • minY是虚线框边1-2距离外框边1-2的距离
  • maxX是虚线框边2-3距离外框边1-4的距离
  • maxY是虚线框边4-3距离外框边1-2的距离

所以左下角的纹理坐标应该是(minY, 1-minX)。


最后

花了很多的篇幅去说纹理坐标的问题,一开始本来想挑个简单例子(cropFiler)说下滤镜组件的,但是这个纹理坐标的计算让我陷入了糊涂,不搞清楚实在不舒服。

更轻松的解决方案?

  1. 把旋转做成单独的处理组件,不要和其他的滤镜混在一起了,其他处理组件就按照当前不旋转的样式来。
  2. 这些旋转+剪切的逻辑可能一个矩阵运算就直接搞定了,那样会更好理解些。

值得学习的地方:

  • 视频图像处理
  • 缓冲区/缓存重用机制
  • 链式图像处理
  • 整个库的封装很好:从LFLiveSession,到LFVideoCapture+LFAudioCapture,到GPUImageVideoCamera,层次清晰,每层的存在恰到好处。

文章来源于互联网,如有雷同请联系站长删除:视频库LFLiveKit分析(一):视频采集

发表评论