常见视频封装格式（3） — MP4

客官°小女子只卖身不卖艺 2021-12-14 06:17 1887阅读 0赞

### 1 概述 ###

日常生活中，看到的视频文件的后缀名如 .mp4、.avi、.rmvb 都是属于视频文件的封装格式。所谓封装格式，就是以怎样的方式将视频轨、音频轨、字幕轨等信息组合在一起。说得通俗点，视频轨相当于饭，而音频轨相当于菜，封装格式就是一个碗或者一个锅，是用来盛放饭菜的容器。

> 视频文件的封装格式并不影响视频的画质，影响视频画面质量的是视频的编码格式。

下面介绍常见的视频封装格式 - MP4

MP4（MPEG-4 Part 14）是一种常见的多媒体容器格式，它是在 “ISO/IEC 14496-14” 标准文件中定义的，属于 MPEG-4 的一部分。

MP4 是一种较为全面的容器格式，被认为可以在其中嵌入任何形式的数据，，不过我们常见的大部分的 MP4 文件存放的 AVC（H.264） 或 MPEG-4（Part 2） 编码的视频和 AAC 编码的音频。MP4 格式的官方文件后缀名是 “.mp4”，还有其他的以 mp4 为基础进行的扩展或者是阉割版的格式，如 M4V、 3GP、F4V 等。

### 2 box 结构树 ###

MP4 文件中所有数据都装在 box 中，也就是说 MP4 由若干个 box 组成，每个 box 有类型和长度，包含不同的信息，可以将 box 理解为一个数据对象块。box 中可以嵌套另一个 box，这种 box 称为 container box。

MP4 文件 box 以树形结构的方式组织， 一个简单的 MP4 文件由以下 box 结构数组成（mp4info 工具查看 MP4 文件结构）：

![image][]

根节点之下，主要包含以下三个 box 节点:

1.  ftyp：File Type Box，文件类型
2.  moov：Movie Box，文件媒体的 metadata 信息
3.  mdat：Media Data Box，具体的媒体数据

*  一个 MP4 文件有且仅有一个 “ftyp” 类型的 box，作为 MP4 格式的标识并包含一些关于文件的一些信息；
 *  ftyp box 之后会有一个 “moov” 类型的 box（Movie Box），它是一种 container box，子 box 中包含了媒体的 metadata 信息；
 *  MP4文件的媒体数据包含在 “mdat” 类型的 box（Midia Data Box）中，该类型的 box 也是 container box，可以有多个，也可以没有（当媒体数据全部引用其他文件时），媒体数据的结构由 metadata 进行描述；

要更深入的了解 MP4 封装格式，首先需要理解几个基本概念：

![image][image 1]

1.  track：表示一些 sample 的集合，对于媒体数据来说，track 表示一个视频或音频序列
2.  sample：video sample 即为一帧视频或一组连续视频帧，audio sample 即为一段连续的压缩音频，它们统称 sample
3.  chunk：一个 track 中连续几个 sample 组成的单元

### 3 MP4 重要 box 详解 ###

#### 3.1 box ####

mp4 文件由若干个 box 组成。下面是 box 结构示意图：

![image][image 2]

1.  box 由 header 和 body 组成，其中 header 指明 box 的 size 和 type。size 是指包含 box header 的整个 box 的大小。
2.  box type，通常是 4 个 ASCII 码的字符如 “ftyp”、“moov” 等。
3.  如果 header size 为 1，则表示 box 长度需要更多的 bits 来描述，在后面会有一个 64 bit 位的 largesize 用来描述 box 的长度。如果 size 为 0，表示该 box 为文件的最后一个 box，文件结尾（存在于 “mdat” 类型的 box 中）。
4.  container box 可以包含 box
5.  box 分为两种，Box 和 Fullbox。FullBox 是 Box 的扩展，Header 中增加了version 和 flags 字段。

#### 3.2 File Type Box（ftyp） ####

File Type Box 有且只有 1 个，并且只能被包含在文件层，不能被其他 box 包含。该 box 应该被放在文件的最开始，指示该 MP4 文件应用的相关信息。

“ftyp” body 部分依次包括 1 个 32 位的 major brand（4个字符），1 个 32 位的 minor version（整数）和 1 个以 32 位（4个字符）为单位元素的数组 compatible brands。这些都是用来指示文件应用级别的信息。

截取一个 MP4 文件最开头的 File Type Box：

00 00 00 14 66 74 79 70 69 73 6F 6D 00 00 00 01
    69 73 6F 6D

可以看出，前面 8 个字节是 box header，其中前 4 个字节为 box size 为 0x14 = 20，后 4 个字节为 box type（ftyp），box body 包含 （20- 8） = 12 个字节。

#### 3.3 Movie Box（moov） ####

Movie Box 中包含了文件媒体的 metadata 信息，“moov” 是一个 container box，具体的内容信息在其子 box 中。

“moov” 中包含1个 “mvhd” 和若干个 “trak”。其中 “mvhd” 是 header box，一般作为 "moov " box 的第一个子 box 出现。“trak” 包含了一个 track 也就是一个媒体流序列的相关信息，是一个 container box。下图是 “moov” 的一个字节实例，其中红色部分为 box header，绿色为 “mvhd”，黄色为一部分的 “track”。

![image][image 3]

可以看到，该 moov box header 占 8 个字节，整个 box size 为 0x5AEB = 23272 字节

#### 3.4 Movie Header Box（mvhd） ####

![image][image 4]

mvhd 结构如下表，具体值以上面的 mvhd 字节举例：

<table> 
 <thead> 
  <tr> 
   <th align="left">字段</th> 
   <th align="left">字节数</th> 
   <th align="left">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">box size</td> 
   <td align="left">4</td> 
   <td align="left">mvhd box size，0xC8 = 108 字节</td> 
  </tr> 
  <tr> 
   <td align="left">box type</td> 
   <td align="left">4</td> 
   <td align="left">box type，固定为 “mvhd”</td> 
  </tr> 
  <tr> 
   <td align="left">box version</td> 
   <td align="left">1</td> 
   <td align="left">box 版本，一般为 0</td> 
  </tr> 
  <tr> 
   <td align="left">flags</td> 
   <td align="left">3</td> 
   <td align="left">flag</td> 
  </tr> 
  <tr> 
   <td align="left">creation time</td> 
   <td align="left">4</td> 
   <td align="left">创建时间（相对于 UTC 时间 1904-01-01 零点的秒数）</td> 
  </tr> 
  <tr> 
   <td align="left">modification time</td> 
   <td align="left">4</td> 
   <td align="left">修改时间</td> 
  </tr> 
  <tr> 
   <td align="left">time scale</td> 
   <td align="left">4</td> 
   <td align="left">文件媒体在 1 秒时间内的刻度值，可以理解为 1 秒长度的时间单元数。值 0x0258 = 600</td> 
  </tr> 
  <tr> 
   <td align="left">duration</td> 
   <td align="left">4</td> 
   <td align="left">媒体流时间长度，用 duration + time scale 计算时长，如实例值 0xA410 = 42000 video track-&gt;time scale = 600，则时长 = duration / scale = 88 秒</td> 
  </tr> 
  <tr> 
   <td align="left">rate</td> 
   <td align="left">4</td> 
   <td align="left">推荐播放速率，高 16 位和低 16 位分别为小数点整数部分和小数部分，即 [16.16] 格式，该值为 1.0 表示正常前向播放</td> 
  </tr> 
  <tr> 
   <td align="left">volume</td> 
   <td align="left">2</td> 
   <td align="left">与 rate 类似，[8.8] 格式，1.0（0x0100）表示最大音量</td> 
  </tr> 
  <tr> 
   <td align="left">reserved</td> 
   <td align="left">10</td> 
   <td align="left">保留位，固定全设为 0</td> 
  </tr> 
  <tr> 
   <td align="left">matrix</td> 
   <td align="left">36</td> 
   <td align="left">视频变换矩阵</td> 
  </tr> 
  <tr> 
   <td align="left">pre-defined</td> 
   <td align="left">24</td> 
   <td align="left"></td> 
  </tr> 
  <tr> 
   <td align="left">next track id</td> 
   <td align="left">4</td> 
   <td align="left">下一个 track 使用的 id 号</td> 
  </tr> 
 </tbody> 
</table>

#### 3.5 Track Box（trak） ####

Track Box 是一个 container box，其子 box 包含了该 track 的媒体数据引用和描述。一个 mp4 文件可以包含多个 track 且至少有一个 track，track 之间是独立，有自己的时间和空间信息。Track Box 必须包含一个 “tkhd” 和一个 “mdia”，此外还有很多可选的 box。其中 “tkhd” 为 track header box，“mdia” 为 media box，该 box 包含一些 track 媒体数据信息，也是一个 container box。

“trak” box 的字节实例如下图，其中黄色为 “trak” box 头，绿色为 “tkhd”，蓝色为 “edts”（一个可选 box），红色为一部分 “mdia”。

![image][image 5]

##### 1）Track Header Box（tkhd） #####

“tkhd” 结构如下表，具体值以上面的 tkhd 字节举例：

<table> 
 <thead> 
  <tr> 
   <th align="left">字段</th> 
   <th align="left">字节数</th> 
   <th align="left">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">box size</td> 
   <td align="left">4</td> 
   <td align="left">tkhd box size，0x5C = 92 字节</td> 
  </tr> 
  <tr> 
   <td align="left">box type</td> 
   <td align="left">4</td> 
   <td align="left">box type，固定为 “tkhd”</td> 
  </tr> 
  <tr> 
   <td align="left">box version</td> 
   <td align="left">1</td> 
   <td align="left">box 版本，一般为 0</td> 
  </tr> 
  <tr> 
   <td align="left">flags</td> 
   <td align="left">3</td> 
   <td align="left">flag，按位或操作结果值，定义见表格后说明</td> 
  </tr> 
  <tr> 
   <td align="left">creation time</td> 
   <td align="left">4</td> 
   <td align="left">创建时间（相对于 UTC 时间 1904-01-01 零点的秒数）</td> 
  </tr> 
  <tr> 
   <td align="left">modification time</td> 
   <td align="left">4</td> 
   <td align="left">修改时间</td> 
  </tr> 
  <tr> 
   <td align="left">track id</td> 
   <td align="left">4</td> 
   <td align="left">track id 号，不能重复且不能为 0，字节实例中值为 1</td> 
  </tr> 
  <tr> 
   <td align="left">reserved</td> 
   <td align="left">4</td> 
   <td align="left">保留位</td> 
  </tr> 
  <tr> 
   <td align="left">duration</td> 
   <td align="left">4</td> 
   <td align="left">track 时间长度，用 duration + time scale 计算时长，如实例值 0xA410 = 42000 video track-&gt;time scale = 600，则时长 = duration / scale = 88 秒</td> 
  </tr> 
  <tr> 
   <td align="left">reserved</td> 
   <td align="left">8</td> 
   <td align="left">保留位</td> 
  </tr> 
  <tr> 
   <td align="left">layer</td> 
   <td align="left">2</td> 
   <td align="left">视频层，默认为 0，值小的在上层</td> 
  </tr> 
  <tr> 
   <td align="left">alternate group</td> 
   <td align="left">2</td> 
   <td align="left">track 分组信息，默认为 0 表示该 track 未与其他 track 有群组关系</td> 
  </tr> 
  <tr> 
   <td align="left">volume</td> 
   <td align="left">2</td> 
   <td align="left">[8.8] 格式，1.0（0x0100）表示最大音量</td> 
  </tr> 
  <tr> 
   <td align="left">reserved</td> 
   <td align="left">2</td> 
   <td align="left">保留位</td> 
  </tr> 
  <tr> 
   <td align="left">matrix</td> 
   <td align="left">36</td> 
   <td align="left">视频变换矩阵</td> 
  </tr> 
  <tr> 
   <td align="left">width</td> 
   <td align="left">4</td> 
   <td align="left">宽，字节势力中值为：</td> 
  </tr> 
  <tr> 
   <td align="left">height</td> 
   <td align="left">4</td> 
   <td align="left">高，均为 [16.16] 格式值，用于播放时的展示宽高</td> 
  </tr> 
 </tbody> 
</table>

表中 flag 为按位或操作结果值，预定义如下：

1.  0x000001 track\_enabled，表示该 track 是否可用
2.  0x000002 track\_in\_movie，表示该 track 是否在播放中被引用；
3.  0x000004 track\_in\_preview，表示该 track 是否在预览时被引用；

一般该值为 7，如果一个媒体所有 track 均未设置 track\_in\_movie 和 track\_in\_preview，将被理解为所有 track 均设置了这两项。

##### 2）Media Box（mdia） #####

“mdia” 也是个 container box，其子 box 的结构和种类还是比较复杂的。先来看一个 “mdia” 的实例结构树图。

![image][image 6]

总体来说，“mdia” 定义了 track 媒体类型以及 sample 数据，描述 sample 信息。一般 “mdia” 包含一个 “mdhd”、一个 “hdlr” 和一个 “minf”，其中 “mdhd” 为 media header box，“hdlr” 为 handler reference box，“minf” 为 media information box。

#### 3.6 Free Space Box（free） ####

“free” 中的内容是无关紧要的，可以被忽略。该 box 被删除后，不会对播放产生任何影响

#### 3.7 Meida Data Box（mdat） ####

该 box 包含于文件层，可以有多个，也可以没有（当媒体数据全部为外部文件引用时），用来存储媒体数据。数据直接跟在 box type 字段后面，具体数据结构的意义需要参考 metadata（主要在sample table中描述）。

### 可参考资料 ###

[在线 mp4box 解析工具][mp4box]

[image]: /images/20211213/dc39ad20136a42b38be962c9fb3c71cc.png
[image 1]: /images/20211213/9102103bcd514708ababb6a71b50e56d.png
[image 2]: /images/20211213/bd0af9e7a48c4909b1aacd68a9bb5e58.png
[image 3]: /images/20211213/6bcdd56f0f5549e88d5c2d6ebb0e955d.png
[image 4]: /images/20211213/8d1d068a99da439fb4e709adf62edb06.png
[image 5]: /images/20211213/0031897de39c4254b587ad8c707501b1.png
[image 6]: /images/20211213/4eb934667e3d4e77b2f18178d2f87b7f.png
[mp4box]: http://download.tsi.telecom-paristech.fr/gpac/mp4box.js/filereader.html