一、音視頻同步問題概述： 音視頻同步問題是可視對講中的重點需要解決的問題之一，也是一直以來被模擬門禁產(chǎn)品廠商攻擊的一個弱點，因為模擬可視對講產(chǎn)品都采用專線傳輸，不存在這個問題。解決同步問題的方法有很多種，其中時間戳是zui成熟zui也是zui復(fù)雜的解決辦法，可以解決任何多媒體領(lǐng)域的音視頻同步問題；其原理是選擇一個參考時間，在生成數(shù)據(jù)流時依據(jù)參考時間上的時間給每個數(shù)據(jù)塊都打上時間戳；在播放時，讀取數(shù)據(jù)塊上的時間戳，同時參考當前時鐘上的時間來安排播放，讓快于這個參考時間的包等待，丟棄慢于這個參考時間的包。 在基于時間戳的同步機制中，僅僅對不同步的數(shù)據(jù)進行處理是不完備的，還需要反饋機制，如基于Windows平臺的DirectShow就提供這樣一個反饋機制，它的質(zhì)量控制（Quality Control）可以將播放的狀態(tài)反饋給源，讓源端加快或者放慢數(shù)據(jù)流的速度。
在多媒體文件采集，播放及對同步的要求都非常嚴格，如果從多媒體文件中分離出音視頻數(shù)據(jù)的數(shù)據(jù)不同步，音視頻的時間差則會越來越大，這是無法忍受的，所以在多媒體文件中，不但要求有同步機制，還要求有反饋機制。
二、數(shù)字可視對講中的音視頻同步方案 在數(shù)字可視對講中，可以考慮的音視頻同步方案有兩種：一是發(fā)送端解決；二是接收端解決。
發(fā)送端解決方法比較簡單，具體措施是在發(fā)送端先將一段時間內(nèi)采集到音視頻數(shù)據(jù)打包。比如采集到一幀視頻圖像，將這幀圖像與采集這幀視頻的時間內(nèi)采集到的視頻數(shù)據(jù)打成一個包，接收端接收到這個包之后解包分別播放就可以了。發(fā)送端解決的控制方法比較簡單，但是在高清要求清晰度比較高的情況下就不是很理想，清晰度高，意味著每個音視頻包數(shù)據(jù)量就大，能保證同步，卻難以保證連續(xù)。我們在同一個線程中按照先后順序發(fā)送PCM音頻和H.264視頻，測試結(jié)果表明這種方法確實存在連續(xù)問題。
接收端解決方案繞不開的問題是時間戳，接收端根據(jù)接收到的音視頻數(shù)據(jù)的時間戳安排播放。時間戳需要一個參考時間，而采集過程中視頻的時間是不定的，數(shù)字攝像頭采集圖像的幀率是一個平均值，不宜用來做參考時間，所以只能用音頻時間作為參考時間。
三、聲卡編程和聲卡驅(qū)動的時間機制 門禁可視對講中音頻是雙向的。本文的門禁可視對講方案中，音頻的采用PCM（Pulse Code Modulation——脈碼調(diào)制錄音）采集，在網(wǎng)絡(luò)中傳送的也是原始數(shù)據(jù)，之所以沒有對音頻數(shù)據(jù)進行編碼處理是基于以下原因：一是S3C6410沒有提供對音頻的硬編解碼，如果使用軟件實現(xiàn)編解碼，在有限的系統(tǒng)資源條件下難以實現(xiàn)；二是音頻數(shù)據(jù)量較小：采用8000采樣率和量化位數(shù)為8位的語音標準，一秒的音頻數(shù)據(jù)是8K字節(jié)，只相當于視頻1幀數(shù)據(jù)的兩倍，這對普遍擁有百兆網(wǎng)卡的局域網(wǎng)來說，數(shù)據(jù)量很小。實驗的結(jié)果表明，這種簡單的處理方式被證明是有效的。
Linux操作系統(tǒng)下音頻接口有/dev/dsp,/dev/audio,/dev/Mixer三種。前兩種的屬性基本相同，DSP是數(shù)字信號處理器（Digital Signal Processor）的簡稱，是用于數(shù)字采樣（sampling）和數(shù)字錄音（recording）的設(shè)備文件，它對于Linux下的音頻編程來講非常重要。向該設(shè)備寫數(shù)據(jù)即意味著激活聲卡上的D/A轉(zhuǎn)換器進行放音，而向該設(shè)備讀數(shù)據(jù)則意味著激活聲卡上的A/D轉(zhuǎn)換器進行錄音。目前許多聲卡都提供有多個數(shù)字采樣設(shè)備。/dev/audio屬性與dsp類似，但更多的用于sun的工作站中，為兼容性考慮，應(yīng)用中一般使用/dev/dsp作為音頻接口。mixer為混音器，也是聲卡設(shè)備中相當重要的一部分，它的作用是將多個信號組合或者疊加到一起，但對應(yīng)用程序來說，這些都無需考慮，但可以通過這個接口調(diào)節(jié)聲卡播放時聲音的大小等參數(shù)。
無論是Linux下還是Windows下，聲卡的編程接口都是由聲卡驅(qū)動提供的，而驅(qū)動都是會考慮到時間機制的，其表現(xiàn)形式就是當聲卡驅(qū)動沒有裝好時，使用播放器播放多媒體文件時聲音以極快的速度過去了，但是聲卡驅(qū)動裝好之后就很正常了，本文的音視頻同步解決方案即以此為基礎(chǔ)。
四、基于音頻時間機制的音視頻同步解決方案 與文件形式的多媒體不同的是，可視對講中音視頻流的源端是永遠同步的。所以一種簡單的解決方案是發(fā)送端啟用獨立的音頻和視頻線程，進行音視頻采集，采集后只管往外發(fā)送數(shù)據(jù)，接收端接到數(shù)據(jù)就分別解碼播放，從表面看，這種采用無同步機制多線程解決方案是可行的，但是忽略了一個問題，即音頻數(shù)據(jù)包和視頻數(shù)據(jù)包的大小。包的大小會影響網(wǎng)絡(luò)傳輸?shù)乃俣取＿@種差別在網(wǎng)絡(luò)條件好的情況下顯示不出來，一旦遇到網(wǎng)絡(luò)擁塞或者其他情況就會變得很明顯。
根據(jù)對音頻采集和處理的敘述，我們知道，音頻的采集是有時間機制的。比如采樣率是8000，采樣位數(shù)是8，我們就可以算出采8K字節(jié)的數(shù)據(jù)所用的時間是1s，這樣音頻就可以按照自己的速度播放；而攝像頭每秒采集的幀數(shù)是相對固定的，如OV9650采集速度為平均每秒30幀，這樣即可以算出1/30秒（約為0.03333，具體精度可以根據(jù)要求決定）刷新一幀圖片，這種方式中只要保證源端音頻視頻的采集是同步的就可以，而門禁對講過程中，這種同步是原生的。其實現(xiàn)流程如下圖所示：
發(fā)送端分別用線程采集音視頻數(shù)據(jù)，采集的同時根據(jù)RTP協(xié)議的規(guī)定分別將這些數(shù)據(jù)打上時間戳，然后通過RTP底層協(xié)議（如UDP）發(fā)送出去。
接收端接收到音頻數(shù)據(jù)，直接交給聲卡播放，當前播放的音頻包的時間戳?xí)r間傳送給視頻線程；接收到視頻幀，則將其時間戳?xí)r間與當前播放的音頻時間戳進行比較，若未達到參考時間，則解碼播放；若達到參考時間，則說明該視頻幀滯后，丟棄該視頻幀，接收下一個視頻幀，循環(huán)往復(fù)，直到線程接收到結(jié)束命令停止；以上述音頻采樣率和采樣位數(shù)為例，視頻參考時間的計算方法為（以C語言格式的？號表達式表示）：
音頻時間戳?xí)r間 +1/30> 視頻時間戳?xí)r間＋丟棄：播放；
在編程實現(xiàn)時，采集端和播放端的音頻和視頻可采用獨立的線程，并利用Qt的信號槽機制實現(xiàn)音視頻線程時間戳的傳遞，此處不再贅述。
五、方案測試 本同步方案在科技部中小型企業(yè)產(chǎn)業(yè)化創(chuàng)新基金項目“智能家居系統(tǒng)與控制器”中得到應(yīng)用，應(yīng)用結(jié)果表明，這種音視頻同步解決方案可以實現(xiàn)數(shù)字門禁可視對講的音視頻同步。
