视频文件格式解析之 3GP/MP4

1. 概述

  流行的文件格式背后都有大公司的支持。FLV得益于ADOBE公司推动的网络视频分享风潮，而AVI则是MICROSOFT首创的RIFF即视频和音频交 织在一起同步播放。 3GP/MP4是APPLE提出并得到ISO标准支持作为NOKIA等手机的默认视频格式。3GP是MP4格式在手机上的简化版。MP4的codec组合 一般是mpeg4 + AAC, 3GP则按版本演进分为3gpp r5(h.263/mpeg4 + AMR-NB/AMR WB), 3gpp r6(增加h.264视频和aacPlus音频支持)。

  有人会把MP4和MPEG4搞混， 前者是文件容器(container)，后者是视频编码格式， 容器的作用是把压缩编码

后的视频和音频数据尽可能紧凑的排布，就好像阿甘的巧克力盒子，你并不知道盒子里有什么， 但你可以按照

既定的线索解开文件，取出你需要的数据。

文件格式一般包括以下三要素：

 header: 标记文件类型，音视频码流的基本属性信息
index:    索引表，每个frame有对应的offset,size,timestamp.
stream: 真正的音视频流数据。
任何文件格式都应该有以上3要素。 当然AVI视频没有索引也能播放，但不能拖放seek，需要自己重建索引。解

析器(demuxer)根据frame_id找到其在文件中的offset和size,然后读取出来解码并播放。

2. 文件格式分析

 下面来分析一下3GP/MP4文件格式。APPLE的格式有2个特点，1. 排布紧凑几乎没有冗余数据(AVI则有很多junk

数据)，2.音视频码流数据可随意存放而不需按时间顺序排布。

  3gp文件由一系列的box(atom)组成。每个box的结构都是4字节的size,4字节的type, 还有一些data数据。用

mp4info查看3gp文件的数据排布如下图：

 

  如上图, ftyp是表示文件的版本信息， mdat存放文字，音视频等数据。你可能要问，这些音视频数据怎么找

到呢？ 是通过moov box里的子box trak，里面存放着音视频的属性描述以及每个sample的索引。

3. 关于sample atoms

   video和audio的码流属性(如视频width/height,codec id, 音频采样率声道数等)存放在stsd box里； 下面

着重介绍MP4高效压缩的精华：stts,stss,stsc,stsz,stco五个box。对比AVI的索引表是每个sample都有对应的

id,flag,offset,size，3GP的高效索引方式可以把AVI转码成同码率的MP4后，文件size减小成原来的20-30%!

1. stts atom(time to sample atoms，见quicktime format 文档图2-28  标准文档点击下载): 存储了sample

的时间信息。stts能让很方便的根据timestamp找到对应的sample，或者获取某个sample对应的timestamp. stts

 table记录着有相同duration的sample的数量count和时长dutation。

2. stss atom(sync sample atom，见文档图2-31): 存储了每个关键帧的sample id。 stss能让你很方便的找到

当前帧最近的关键帧。

3. stsc atom(sample to chunk atom): sample存放在chunk里为了允许优化的数据读取。比如音频sample size

都很小（amr-nb sample size为32字节）， 每次读取一个sample开销太大， 可一次性读所在chunk里一堆

sample。

4. stsz atom(sample size atom): stsz可以描述每个sample的size.

5. stco atom(chunk offset atoms): stco描述了每个chunk在文件中的绝对偏移位置。该offset可以是32位的

也可以是64位的，后者用来支持处理超大文件。

4 .使用sample atoms来处理播放流程

• 查找sample        

1．确定时间，相对于媒体时间坐标系统

2．检查time-to-sample atom来确定给定时间的sample序号。

3．检查sample-to-chunk atom来发现对应该sample的chunk。

4．从chunk offset atom中提取该trunk的偏移量。

5．利用sample size atom找到sample在trunk内的偏移量和sample的大小。

例如，如果要找第1秒的视频数据，过程如下：

1．  第1秒的视频数据相对于此电影的时间为600

2．  检查time-to-sample atom，得出每个sample的duration是40，从而得出需要寻找第600/40 = 15 + 1 = 16个sample

3．  检查sample-to-chunk atom，得到该sample属于第5个chunk的第一个sample，该chunk共有4个sample

4．  检查chunk offset atom找到第5个trunk的偏移量是20472

5．  由于第16个sample是第5个trunk的第一个sample，所以不用检查sample size atom，trunk的偏移量即是该sample的偏移量20472。如果是这个trunk的第二个sample，则从sample size atom中找到该trunk的前一个sample的大小，然后加上偏移量即可得到实际位置。

6．  得到位置后，即可取出相应数据进行解码，播放

•       查找关键帧     

查找过程与查找sample的过程非常类似，只是需要利用sync sample atom来确定key frame的sample序号

确定给定时间的sample序号 
检查sync sample atom来发现这个sample序号之后的key frame 
检查sample-to-chunk atom来发现对应该sample的chunk 
从chunk offset atom中提取该trunk的偏移量 
利用sample size atom找到sample在trunk内的偏移量和sample的大小

5 .3GP/MP4相关资源

quicktime file format specification: 最权威的格式文档  点击下载
开源的3GP/MP4解析器： ffmpeg, GPAC, helix, google opencore等