谈谈关于Android视频编码的那些坑

Android的视频相关的开发，大概一直是整个Android生态，以及Android API中，最为分裂以及兼容性问题最为突出的一部分。摄像头，以及视频编码相关的API，Google一直对这方面的控制力非常差，导致不同厂商对这两个API的实现有不少差异，而且从API的设计来看，一直以来优化也相当有限，甚至有人认为这是“Android上最难用的API之一”

以微信为例，我们录制一个540p的mp4文件，对于Android来说，大体上是遵循这么一个流程：

大体上就是从摄像头输出的YUV帧经过预处理之后，送入编码器，获得编码好的h264视频流。

上面只是针对视频流的编码，另外还需要对音频流单独录制，最后再将视频流和音频流进行合成出最终视频。

这篇文章主要将会对视频流的编码中两个常见问题进行分析：

• 视频编码器的选择(硬编 or 软编)?
• 如何对摄像头输出的YUV帧进行快速预处理(镜像，缩放，旋转)?

视频编码器的选择

对于录制视频的需求，不少app都需要对每一帧数据进行单独处理，因此很少会直接用到 MediaRecorder 来直接录取视频，一般来说，会有这么两个选择

• MediaCodec
• FFMpeg+x264/openh264

我们来逐个解析一下

MediaCodec

MediaCodec是API 16之后Google推出的用于音视频编解码的一套偏底层的API，可以直接利用硬件加速进行视频的编解码。调用的时候需要先初始化MediaCodec作为视频的编码器，然后只需要不停传入原始的YUV数据进入编码器就可以直接输出编码好的h264流，整个API设计模型来看，就是同时包含了输入端和输出端的两条队列：

因此，作为编码器，输入端队列存放的就是原始YUV数据，输出端队列输出的就是编码好的h264流，作为解码器则对应相反。在调用的时候，MediaCodec提供了同步和异步两种调用方式，但是异步使用Callback的方式是在API 21之后才加入的，以同步调用为例，一般来说调用方式大概是这样(摘自官方例子)：

MediaCodec codec = MediaCodec.createByCodecName(name); 
codec.configure(format, …); 
MediaFormat outputFormat = codec.getOutputFormat(); // option B 
codec.start(); 
for (;;) { 
  int inputBufferId = codec.dequeueInputBuffer(timeoutUs); 
  if (inputBufferId >= 0) { 
    ByteBuffer inputBuffer = codec.getInputBuffer(…); 
    // fill inputBuffer with valid data 
    … 
    codec.queueInputBuffer(inputBufferId, …); 
  } 
  int outputBufferId = codec.dequeueOutputBuffer(…); 
  if (outputBufferId >= 0) { 
    ByteBuffer outputBuffer = codec.getOutputBuffer(outputBufferId); 
    MediaFormat bufferFormat = codec.getOutputFormat(outputBufferId); // option A 
    // bufferFormat is identical to outputFormat 
    // outputBuffer is ready to be processed or rendered. 
    … 
    codec.releaseOutputBuffer(outputBufferId, …); 
  } else if (outputBufferId == MediaCodec.INFO_OUTPUT_FORMAT_CHANGED) { 
    // Subsequent data will conform to new format. 
    // Can ignore if using getOutputFormat(outputBufferId) 
    outputFormat = codec.getOutputFormat(); // option B 
  } 
} 
codec.stop(); 
codec.release(); 

简单解释一下，通过 getInputBuffers 获取输入队列，然后调用 dequeueInputBuffer 获取输入队列空闲数组下标，注意 dequeueOutputBuffer 会有几个特殊的返回值表示当前编解码状态的变化，然后再通过 queueInputBuffer 把原始YUV数据送入编码器，而在输出队列端同样通过 getOutputBuffers 和 dequeueOutputBuffer 获取输出的h264流，处理完输出数据之后，需要通过 releaseOutputBuffer 把输出buffer还给系统，重新放到输出队列中。

关于MediaCodec更复杂的使用例子，可以参照下CTS测试里面的使用方式： EncodeDecodeTest.java

从上面例子来看的确是非常原始的API，由于MediaCodec底层是直接调用了手机平台硬件的编解码能力，所以速度非常快，但是因为Google对整个Android硬件生态的掌控力非常弱，所以这个API有很多问题：

1、颜色格式问题

MediaCodec在初始化的时候，在 configure 的时候，需要传入一个MediaFormat对象，当作为编码器使用的时候，我们一般需要在MediaFormat中指定视频的宽高，帧率，码率，I帧间隔等基本信息，除此之外，还有一个重要的信息就是，指定编码器接受的YUV帧的颜色格式。这个是因为由于YUV根据其采样比例，UV分量的排列顺序有很多种不同的颜色格式，而对于Android的摄像头在 onPreviewFrame 输出的YUV帧格式，如果没有配置任何参数的情况下，基本上都是NV21格式，但Google对MediaCodec的API在设计和规范的时候，显得很不厚道，过于贴近Android的HAL层了，导致了NV21格式并不是所有机器的MediaCodec都支持这种格式作为编码器的输入格式! 因此，在初始化MediaCodec的时候，我们需要通过 codecInfo.getCapabilitiesForType 来查询机器上的MediaCodec实现具体支持哪些YUV格式作为输入格式，一般来说，起码在4.4+的系统上，这两种格式在大部分机器都有支持：

MediaCodecInfo.CodecCapabilities.COLOR_FormatYUV420Planar 
MediaCodecInfo.CodecCapabilities.COLOR_FormatYUV420SemiPlanar 

两种格式分别是YUV420P和NV21，如果机器上只支持YUV420P格式的情况下，则需要先将摄像头输出的NV21格式先转换成YUV420P，才能送入编码器进行编码，否则最终出来的视频就会花屏，或者颜色出现错乱

这个算是一个不大不小的坑，基本上用上了MediaCodec进行视频编码都会遇上这个问题

2、编码器支持特性相当有限

如果使用MediaCodec来编码H264视频流，对于H264格式来说，会有一些针对压缩率以及码率相关的视频质量设置，典型的诸如Profile(baseline, main, high)，Profile Level, Bitrate mode(CBR, CQ, VBR)，合理配置这些参数可以让我们在同等的码率下，获得更高的压缩率，从而提升视频的质量，Android也提供了对应的API进行设置，可以设置到MediaFormat中这些设置项:

MediaFormat.KEY_BITRATE_MODE 
MediaFormat.KEY_PROFILE 
MediaFormat.KEY_LEVEL 

但问题是，对于Profile，Level, Bitrate mode这些设置，在大部分手机上都是不支持的，即使是设置了最终也不会生效，例如设置了Profile为high，最后出来的视频依然还会是Baseline，Shit....

这个问题，在7.0以下的机器几乎是必现的，其中一个可能的原因是，Android在源码层级 hardcode 了profile的的设置：

// XXX 
if (h264type.eProfile != OMX_VIDEO_AVCProfileBaseline) { 
    ALOGW("Use baseline profile instead of %d for AVC recording", 
            h264type.eProfile); 
    h264type.eProfile = OMX_VIDEO_AVCProfileBaseline; 
} 

Android直到 7.0 之后才取消了这段地方的Hardcode

if (h264type.eProfile == OMX_VIDEO_AVCProfileBaseline) { 
    .... 
} else if (h264type.eProfile == OMX_VIDEO_AVCProfileMain || 
            h264type.eProfile == OMX_VIDEO_AVCProfileHigh) { 
    ..... 
} 

这个问题可以说间接导致了MediaCodec编码出来的视频质量偏低，同等码率下，难以获得跟软编码甚至iOS那样的视频质量。

3、16位对齐要求

前面说到，MediaCodec这个API在设计的时候，过于贴近HAL层，这在很多Soc的实现上，是直接把传入MediaCodec的buffer，在不经过任何前置处理的情况下就直接送入了Soc中。而在编码h264视频流的时候，由于h264的编码块大小一般是16x16，于是乎在一开始设置视频的宽高的时候，如果设置了一个没有对齐16的大小，例如960x540，在某些cpu上，最终编码出来的视频就会直接 花屏 !

很明显这还是因为厂商在实现这个API的时候，对传入的数据缺少校验以及前置处理导致的，目前来看，华为，三星的Soc出现这个问题会比较频繁，其他厂商的一些早期Soc也有这种问题，一般来说解决方法还是在设置视频宽高的时候，统一设置成对齐16位之后的大小就好了。

FFMpeg+x264/openh264

除了使用MediaCodec进行编码之外，另外一种比较流行的方案就是使用ffmpeg+x264/openh264进行软编码，ffmpeg是用于一些视频帧的预处理。这里主要是使用x264/openh264作为视频的编码器。

x264基本上被认为是当今市面上最快的商用视频编码器，而且基本上所有h264的特性都支持，通过合理配置各种参数还是能够得到较好的压缩率和编码速度的，限于篇幅，这里不再阐述h264的参数配置，有兴趣可以看下 这里 和 这里 对x264编码参数的调优。

openh264 则是由思科开源的另外一个h264编码器，项目在2013年开源，对比起x264来说略显年轻，不过由于思科支付满了h264的年度专利费，所以对于外部用户来说，相当于可以直接免费使用了，另外，firefox直接内置了openh264，作为其在webRTC中的视频的编解码器使用。

但对比起x264，openh264在h264高级特性的支持比较差：

• Profile只支持到baseline, level 5.2
• 多线程编码只支持slice based，不支持frame based的多线程编码

从编码效率上来看，openh264的速度也并不会比x264快，不过其最大的好处，还是能够直接免费使用吧。

软硬编对比

从上面的分析来看，硬编的好处主要在于速度快，而且系统自带不需要引入外部的库，但是特性支持有限，而且硬编的压缩率一般偏低，而对于软编码来说，虽然速度较慢，但是压缩率比较高，而且支持的H264特性也会比硬编码多很多，相对来说比较可控。就可用性而言，在4.4+的系统上，MediaCodec的可用性是能够基本保证的，但是不同等级的机器的编码器能力会有不少差别，建议可以根据机器的配置，选择不同的编码器配置。

YUV帧的预处理

根据最开始给出的流程，在送入编码器之前，我们需要先对摄像头输出的YUV帧进行一些前置处理

1.缩放

如果设置了camera的预览大小为1080p的情况下，在 onPreviewFrame 中输出的YUV帧直接就是1920x1080的大小，如果需要编码跟这个大小不一样的视频，我们就需要在录制的过程中， 实时 的对YUV帧进行缩放。

以微信为例，摄像头预览1080p的数据，需要编码960x540大小的视频。

最为常见的做法是使用ffmpeg这种的sws_scale函数进行直接缩放，效果/性能比较好的一般是选择SWS_FAST_BILINEAR算法：

mScaleYuvCtxPtr = sws_getContext( 
                   srcWidth, 
                   srcHeight, 
                   AV_PIX_FMT_NV21, 
                   dstWidth, 
                   dstHeight, 
                   AV_PIX_FMT_NV21, 
                   SWS_FAST_BILINEAR, NULL, NULL, NULL); 
sws_scale(mScaleYuvCtxPtr, 
                    (const uint8_t* const *) srcAvPicture->data, 
                    srcAvPicture->linesize, 0, srcHeight, 
                    dstAvPicture->data, dstAvPicture->linesize); 

在nexus 6p上，直接使用ffmpeg来进行缩放的时间基本上都需要 40ms+ ，对于我们需要录制30fps的来说，每帧处理时间最多就30ms左右，如果光是缩放就消耗了如此多的时间，基本上录制出来的视频只能在15fps上下了。

很明显，直接使用ffmpeg进行缩放是在是太慢了，不得不说swsscale简直就是ffmpeg里面的渣渣，在对比了几种业界常用的算之后，我们最后考虑实现使用这种快速缩放的算法：

我们选择一种叫做的 局部均值 算法，前后两行四个临近点算出最终图片的四个像素点，对于源图片的每行像素，我们可以使用Neon直接实现，以缩放Y分量为例：

const uint8* src_next = src_ptr + src_stride; 
  asm volatile ( 
    "1:                                          
"     
      "vld4.8     {d0, d1, d2, d3}, [%0]!        
" 
      "vld4.8     {d4, d5, d6, d7}, [%1]!        
" 
      "subs       %3, %3, #16                    
"  // 16 processed per loop 
 
      "vrhadd.u8   d0, d0, d1                    
" 
      "vrhadd.u8   d4, d4, d5                    
" 
      "vrhadd.u8   d0, d0, d4                    
" 
 
      "vrhadd.u8   d2, d2, d3                    
" 
      "vrhadd.u8   d6, d6, d7                    
" 
      "vrhadd.u8   d2, d2, d6                    
" 
 
      "vst2.8     {d0, d2}, [%2]!                    
"  // store odd pixels 
 
      "bgt        1b                             
" 
    : "+r"(src_ptr),          // %0 
      "+r"(src_next),         // %1 
      "+r"(dst),              // %2 
      "+r"(dst_width)         // %3 
    : 
    : "q0", "q1", "q2", "q3"              // Clobber List 
  ); 

上面使用的Neon指令每次只能读取和存储8或者16位的数据，对于多出来的数据，只需要用同样的算法改成用C语言实现即可。

在使用上述的算法优化之后，进行每帧缩放，在Nexus 6p上，只需要不到 5ms 就能完成了，而对于缩放质量来说，ffmpeg的SWS_FAST_BILINEAR算法和上述算法缩放出来的图片进行对比，峰值信噪比(psnr)在大部分场景下大概在 38-40 左右，质量也足够好了。

2.旋转

在android机器上，由于摄像头安装角度不同， onPreviewFrame 出来的YUV帧一般都是旋转了90或者270度，如果最终视频是要竖拍的，那一般来说需要把YUV帧进行旋转。

对于旋转的算法，如果是纯C实现的代码，一般来说是个O(n^2 ) 复杂度的算法，如果是旋转960x540的yuv帧数据，在nexus 6p上，每帧旋转也需要 30ms+ ，这显然也是不能接受的。

在这里我们换个思路，能不能不对YUV帧进行旋转?(当然是可以的6666)

事实上在mp4文件格式的头部，我们可以指定一个旋转矩阵，具体来说是在 moov.trak.tkhd box 里面指定，视频播放器在播放视频的时候，会在读取这里矩阵信息，从而决定视频本身的旋转角度，位移，缩放等，具体可以参考下苹果的 文档

通过ffmpeg，我们可以很轻松的给合成之后的mp4文件打上这个旋转角度：

char rotateStr[1024]; 
sprintf(rotateStr, "%d", rotate); 
av_dict_set(&out_stream->metadata, "rotate", rotateStr, 0); 

于是可以在录制的时候省下一大笔旋转的开销了，excited!

3.镜像

在使用前置摄像头拍摄的时候，如果不对YUV帧进行处理，那么直接拍出来的视频是会 镜像翻转 的，这里原理就跟照镜子一样，从前置摄像头方向拿出来的YUV帧刚好是反的，但有些时候拍出来的镜像视频可能不合我们的需求，因此这个时候我们就需要对YUV帧进行镜像翻转。

但由于摄像头安装角度一般是90或者270度，所以实际上原生的YUV帧是水平翻转过来的，因此做镜像翻转的时候，只需要刚好以中间为中轴，分别上下交换每行数据即可，注意Y跟UV要分开处理，这种算法用Neon实现相当简单：

asm volatile ( 
      "1:                                          
" 
        "vld4.8     {d0, d1, d2, d3}, [%2]!        
"  // load 32 from src 
        "vld4.8     {d4, d5, d6, d7}, [%3]!        
"  // load 32 from dst 
        "subs       %4, %4, #32                    
"  // 32 processed per loop 
        "vst4.8     {d0, d1, d2, d3}, [%1]!        
"  // store 32 to dst 
        "vst4.8     {d4, d5, d6, d7}, [%0]!        
"  // store 32 to src 
        "bgt        1b                             
" 
      : "+r"(src),   // %0 
        "+r"(dst),   // %1 
        "+r"(srcdata), // %2 
        "+r"(dstdata), // %3 
        "+r"(count)  // %4  // Output registers 
      :                     // Input registers 
      : "cc", "memory", "q0", "q1", "q2", "q3"  // Clobber List 
    ); 

同样，剩余的数据用纯C代码实现就好了， 在nexus6p上，这种镜像翻转一帧1080x1920 YUV数据大概只要不到 5ms

在编码好h264视频流之后，最终处理就是把音频流跟视频流合流然后包装到mp4文件，这部分我们可以通过系统的 MediaMuxer ， mp4v2 ，或者ffmpeg来实现，这部分比较简单，在这里就不再阐述了。