腾讯会议背后的视频编码“神器”

604410

一、时域SVC



在视频编码中，有三种帧类型：

I帧：只能进行帧内预测，可以独立解码；

P帧：单假设参考帧，也就是通常说的前向预测帧，只能使用它之前的帧进行预测；

B帧：双假设参考帧, 一般为双向预测帧。


由于B帧会带来不可避免的延迟，因此在实时通信中通常只使用I帧和P帧这两种帧类型。

I帧只使用了本帧的信息进行预测，也就是说I帧的解码不依赖于其他帧，因此可以独立解码，但I帧的编码效率偏低，数据量较大。

P帧使用了帧间预测方法，可以参考之前的一些解码帧信息，能达到较高的压缩效率（帧大小比I帧小很多），但是解码时必须依赖于其他帧。

在实际的应用场景中，为了提升压缩效率，往往会使用IPPP的帧结构，即I帧之后编码N个P帧。但当网络情况不好时（如抖动，丢包，限速等），这种帧结构就会造成长时间的卡顿。

如下图所示，第0帧为I帧，后续7个帧均为P帧，且每个P帧只有一个参考帧（为其前一帧）。当网络发生丢包时，第3帧丢失，由于第4帧参考第3帧进行压缩，因此不能正确解码，5~7帧则类似。

这种情况下，即使丢包只造成个别帧的丢失，但由于接收端很多帧不能正确解码，会造成长时间的卡顿，只能通过申请I帧的机制进行恢复。


IPPP帧结构参考关系

为了解决这一问题，我们加入了时域SVC技术，对参考帧结构进行了调整。


时域SVC帧结构参考关系

我们可以将视频帧分为若干层，上图以3层为例：

Layer0的帧只能参考同样为Layer0的帧，不能参考Layer1和Layer2的帧；

Layer1的帧可以参考Layer0和Layer1的帧，不能参考Layer2的帧；

Layer2的帧可以参考Layer0~2的帧。


越低层级的帧被参考的可能性越大，因此重要性也越大。在网络发生丢包时，只要所丢的帧不是Layer0层，就不需要重新申请I帧，解码端就可以持续成功解码。如上图中第1帧丢失仅会影响2，3帧，其他帧不会受到影响。

此外还可以结合网络层的策略，对低层级的帧多加一些保护（如FEC），降低其丢失的概率，能有效地解决卡死的问题。在参会的下行人数很多时，可能会有小部分下行网络较差，如果采用传统的IPPP结构，则当某个下行损伤时就需要不断的申请I帧来恢复，这样就会影响到其他接收端的视频体验；如果采用时域SVC的结构，在能够保证少数的下行网络存在问题时，其他的下行端不会受到影响。

说了这么多，我们来看一下实际的效果吧！第一个视频示例是IPPP结构在网络损伤时的表现，卡顿感很明显；接下来是采用时域SVC的版本，帧率会有所影响但整体还算流畅。


IPPP帧结构网络损伤效果

时域SVC帧结构网络损伤效果

二、ROI检测以及基于ROI的编码



摄像头内容是腾讯会议中的一个主要视频场景。在此场景中，人眼往往比较关注人脸区域，对背景区域的关注度较低。因此，我们加入了人脸检测算法和基于感兴趣区域（Region of Interest, 简称ROI）的编码算法。

这类算法的主要思路是：实时地检测出当前视频中的ROI区域，将其传入到编码器内部，编码器进行单帧的码率重分配。对ROI区域，增大其码率，能使该区域编码的更好，提升主观质量；对于非ROI区域，降低其码率，则总的码率不会超出目标码率。

在ROI检测方面，因为腾讯会议是一个实时性要求很高的场景，对算法复杂度很敏感，我们使用一些传统的算法，结合编码器的一些预分析结果，确定最终的ROI-map，对于1080p的视频，单帧检测耗时在0.3ms以内，完全满足了实时性的要求。

基于ROI的检测和码率调整算法的优点在于：在低码率的情况下，能极大地提升主观质量；在高码率的场景下，可以保持主观质量基本不变，码率节省20%~30%，以下是一些对比效果：


低码率效果对比 (左)关闭ROI  (右)开启ROI


高码率效果对比 (左) 300kbps, 关闭ROI  (右) 210kbps, 开启ROI

604410

三、屏幕内容编码技术



屏幕分享/白板等屏幕类内容是腾讯会议中另一类视频场景。屏幕生成的视频与摄像头采集的视频存在很大的不同：屏幕视频通常没有噪声，色调离散，线条细腻，边缘锐利；相反的，摄像机拍摄的视频通常存在噪声，色调连续且丰富，纹理比较复杂。

传统的H.264和H.265编码器采用的是基于块的混合编码框架，包含预测，变换，量化以及熵编码。其中变换模块主要的目的是将残差信号从空域变换到频域，使信号能量更集中，也方便基于不同的频率分量做不同的处理，减小编码所需的比特数。

但是，对屏幕分享的内容，采用基于变换的编码方法，会损失其高频细节，导致用户观看的视频变得不清晰。

基于上述原因，我们在H.265编码器中加入了一些有效的屏幕内容编码技术（Screen Content Coding，简称SCC），包括帧内块拷贝和调色板编码。

我们在前面的介绍中也提到过，一般情况下I帧编码效率要比P帧差，主要原因是P帧可以利用时域上的信息进行预测，预测精确度往往很高，这样编码的信息量就变少了。

如下图所示，第N帧与第N-1帧之间只有很少量的运动，所以用第N-1帧的信息来预测第N帧相对来说会很准确。


帧间预测示例图

所谓的帧内块拷贝，是指借鉴了帧间预测的方法，在I帧中引入基于运动矢量（Motion Vector, 简称MV）的预测，提升其预测精确度，极大地提升了I帧的压缩效率。

该方法之所以在屏幕类场景效果显著，是由于屏幕序列相比于摄像头采集序列有很多重复性的图案，用这个方法效果更好。


屏幕序列重复图案示例

在屏幕内容中，像素点的选择通常集中在某一些色彩上，所以我们引入了调色板模式。该模式彻底抛弃了传统的变换编码的方法，直接依据像素点的“颜色值”生成调色板。

对每个像素点，传输其在调色板中的“索引”（“index”）即可。该算法可以达到很高的编码效率提升，同时这种方法由于不使用变换，且大多数的点可以在颜色表中找到对应的项，主观质量也有明显的提升。

四、YUV444编码



在视频编码中，基本的数据格式为YUV，根据采样格式的不同可以分为YUV444, YUV422以及YUV420，这三种格式的区别见下图（O表示Y分量，X表示U/V分量）：


YUV采样格式 (左)YUV444  (中)YUV422  (右)YUV420

YUV444采样格式中Y、U、V 三个分量的比例相同，每个像素的三个分量信息完整，都是一个字节。YUV422采样格式中Y 分量和 UV 分量则按照 2 : 1 的比例采样。如图所示，水平方向有4个像素点，那么就采样4个Y分量，2个UV 分量。

YUV420采样格式中，每一行扫描时只扫描一种色度分量（U 或者 V）且该色度分量与Y分量按照 2 : 1 的方式采样。如图所示，为了直观的理解，我们认为4个Y分量对应1个UV分量，因此将X放在了四个O中间。

一般来说，大多数的视频类应用都采样YUV420的格式进行编码，一方面这种格式数据量较少，另一方面色度分量的重要程度明显低于亮度分量，对色度降采样后人眼主观感受降低不明显。

然而，在屏幕分享场景中，相比于摄像头采集序列，U/V分量信息更丰富，下采样会严重的丢失这部分信息，且在后续的后处理等环节无法补回，所以我们加入了YUV444编码的支持。

大家可以看下下面这两张图，我们人为生成了一张U/V分量信息很丰富的图片，在发送端可以看到是有色彩的，但是经过YUV420采集编码传输后，到接收端看到的却是一幅灰度图像，失真非常严重。


测试图片


YUV420传输效果(U/V分量严重失真)

在屏幕分享场景下，有些时候可能会对色彩的保真度/还原度要求较高，如一些设计图像等，那么加入YUV444的支持就是为了在这些场景下达到不错的用户体验。下面是我们实际测试到的YUV420/YUV444编码下的对比图：


原图


YUV420编码图像


YUV444编码图像

五、业界领先的编码器



我们对H.264和H.265编码器进行了深度优化，一方面加入了很多快速算法，提升其编码速度；另一方面加入了一些新的编码工具集，提升其压缩效率。

与业界最著名的x264开源编码器相比，我们的H.264编码器针对屏幕分享内容做了大量的优化，达到了40%以上压缩效率的提升，编码速度仅损失11%左右。

我们的H.265编码器无论在屏幕分享场景还是摄像头场景，都远远优于开源的x265编码器。与x265相比，在屏幕分享场景下，压缩效率提升多达83.7%，速度提升210%；在摄像头场景下，压缩效率提升24.7%的同时速度可以提升140%左右。