揭秘：腾讯会议背后的视频编码“神器”

作为一款实时音视频通信产品，腾讯会议里面有海量的音视频数据需要进行实时传输，比如我们的摄像头画面，屏幕分享的数据等。这些数据量非常庞大，通常需要经过编码压缩再进行传输，那么腾讯会议里有哪些视频编码方面的”神器”呢？

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。

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。

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。

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

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。

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。

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。

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。

结语

本文较为详细的介绍了一些腾讯会议中的视频编码“神器”，为了不断地提升产品体验，我们会根据不同的场景持续优化我们的编码器，增加适合的编码技术，欢迎大家咨询体验！

头图：Unsplash

作者：张清 - 腾讯多媒体实验室高级研究员

原文：揭秘：腾讯会议背后的视频编码“神器”

来源：腾讯多媒体实验室 - 微信公众号 [ID：TencentAVLab]

转载：著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。