1 引 言 

        視頻電話終端系統(tǒng)的實現(xiàn)是個很復(fù)雜的過程，涉及多方面知識。其目的是利用互聯(lián)網(wǎng)或固定電話網(wǎng)等為彼此通訊的雙方不但能提供實時的語音交流而且可以實現(xiàn)視頻信息的即時傳輸。由于豐富的視頻數(shù)據(jù)和網(wǎng)絡(luò)可用帶寬的矛盾，視頻電話的發(fā)展經(jīng)歷了漫長的發(fā)展過程，早在上世紀(jì)20年代就有人對他進(jìn)行探索和研究。 

        SIP(Session initiation Protocol)[1]協(xié)議是IETF于1999年提出的一種新的網(wǎng)絡(luò)多媒體通信的交互信令，他相對于市場主體的H．323協(xié)議具有簡單、擴展性好、便于實現(xiàn)等優(yōu)點，但當(dāng)構(gòu)建電信級的大網(wǎng)時也相當(dāng)復(fù)雜，此協(xié)議也在不斷的補充和完善中[2]。目前市場上出現(xiàn)越來越多支持SIP的智能多媒體終端及相關(guān)軟件和軟交換設(shè)備，SIP將成為IP視頻電話業(yè)務(wù)的主流協(xié)議之一。 

        H．264視頻編碼標(biāo)準(zhǔn)[3]與其他視頻編碼標(biāo)準(zhǔn)如H．263，MPEG-4等相比，其更高的壓縮效率和網(wǎng)絡(luò)親和性的優(yōu)點正是視頻電話及其各種應(yīng)用所需要的。 

        本文基于SIP協(xié)議、以H．264為視頻編碼標(biāo)準(zhǔn)、采用TI的高速數(shù)字信號處理芯片TMS320DM643和三星的ARM9芯片S3C2410為主體設(shè)計并實現(xiàn)了一款視頻電話終端。 

        2視頻電話終端的硬件系統(tǒng)設(shè)計 

        視頻電話終端依據(jù)其使用方式的不同，大體上可分為"PC到PC"型和"電話到電話"型2大類。"PC到PC"型產(chǎn)品適合計算機用戶，如MSN，QQ視頻等，主要依賴用戶雙方的計算機加上合適的軟件實現(xiàn)。"電話到電話"型產(chǎn)品兩端都不需要計算機，電話終端本身包含音視頻處理器及相應(yīng)的軟件完成音視頻即時通訊功能。由于此類產(chǎn)品使用簡單、安裝方便、便于控制、性價比合琿等優(yōu)點，市場前景廣闊，是目前國內(nèi)外研究的熱點。他實現(xiàn)的方案有多種，如采用DSP，ARM芯片，專用的會議電視芯片等?？紤]到生產(chǎn)成本、實現(xiàn)的難易程度、貨源、市場推廣、產(chǎn)品的升級更新等因素，本文確定的視頻電話終端系統(tǒng)的硬件方案為：使用TI公司的通用DSP芯片TMS320DM643利用純軟件實現(xiàn)音視頻編解碼、用三星的ARM9芯片S3C2410實現(xiàn)各種接口、嵌入式操作系統(tǒng)和傳輸控制協(xié)議等。這樣既不存在芯片多成本高的問題，又能保持很高的性能，可通過簡單的程序下載實現(xiàn)軟件升級或增加新的編解碼標(biāo)準(zhǔn)。系統(tǒng)的硬件結(jié)構(gòu)框圖如圖l所示。 

        系統(tǒng)硬件主要由TI公司的TMS320DM643和三星公司的S3C2410組成。其中TMS320DM643完成音頻壓縮編解碼G．711／G．729／G．723．1和視頻壓縮編解碼H．264；S3C2410完成SIP協(xié)議和嵌入式OS及各種接口如RS232、復(fù)合視頻輸入／輸出、數(shù)字CCD攝像頭、LCD、RJ45、以太網(wǎng)、鍵盤等。音頻信號的輸入／輸出通過TI公司的TLV320AIC23送入TMS320DM643進(jìn)行壓縮編碼。

        3視頻電話終端系統(tǒng)的軟件設(shè)計 

        3．1 系統(tǒng)軟件結(jié)構(gòu) 

        在系統(tǒng)硬件完成后，剩下的需要大量丁作來編寫代碼實現(xiàn)各個功能模塊，最終實現(xiàn)整個系統(tǒng)。系統(tǒng)的軟件結(jié)構(gòu)如圖2所示。嵌入式OS是采用ARM-Linux內(nèi)核，硬件驅(qū)動模塊主要是基于ARM 9的介于硬件和Linux內(nèi)核之間的軟件接口，為特定的硬件響應(yīng)定義好編程接口從而操作硬件，這2大模塊的技術(shù)目前已相當(dāng)成熟，相關(guān)的文獻(xiàn)非常多；音頻編碼采用G．711／729／723．1，是為了讓終端能適應(yīng)音頻編解碼的非對稱操作，有良好的兼容性，他可直接選用TI公司第三方提供的語音開發(fā)軟件包。本文根據(jù)視頻電話終端的特點和當(dāng)前實現(xiàn)的技術(shù)難點主要討論視頻編碼H．264和SIP協(xié)議棧2大核心技術(shù)的硬件實現(xiàn)。 

        3．2 H．264的實現(xiàn) 

        H．264視頻編碼標(biāo)準(zhǔn)雖然在設(shè)計時考慮到各種不同的應(yīng)用和傳輸環(huán)境，其高的壓縮效率和網(wǎng)絡(luò)親和性是以大的運算量為代價的，而在視頻電話應(yīng)用中雖然帶寬有限卻實時性要求高，所以考慮到實現(xiàn)的難易程度和技術(shù)本身必須對H．264編碼方案進(jìn)行精心選擇(這里理所當(dāng)然選用基本級)，在利用DSP芯片實現(xiàn)時對程序要進(jìn)行優(yōu)化[4]。這里用C語音編程，利用TI公司的集成開發(fā)環(huán)境CCS2．2進(jìn)行開發(fā)和調(diào)試，為了降低H．264編碼算法的復(fù)雜性，適合視頻電話的實時應(yīng)用，主要從一下幾個方面對其進(jìn)行優(yōu)化： 


        (1)運動估計算法的簡化 

        在視頻編碼中，運動估計算法起著非常關(guān)鍵的作用，通常約占一個壓縮方案總計算量的60％以上，所以這里采用一種快速的運動估計算法來降低運算復(fù)雜度[5]。在H．264編碼標(biāo)準(zhǔn)中根據(jù)宏塊(MB)的不同劃分方式其對應(yīng)的預(yù)測誤差不同的特點，將編碼模式簡化為4組，先根據(jù)預(yù)測誤差判斷當(dāng)前MB屬于哪一組，然后在用拉格朗日率失真算法選取該組中最佳的編碼模式，根據(jù)文獻(xiàn)[5]的實驗結(jié)果，這樣做編碼時間會縮短3倍左右而解碼后圖像的PSNR只有略微下降(最壞的情況不會超過0．5 dB)。對于幀內(nèi)預(yù)測，如從預(yù)測塊P的9種可選預(yù)測模式選取使P塊和當(dāng)前編碼塊I之間最小的預(yù)測模式也太費時間。對I幀中每個4×4編碼模式的概率進(jìn)行計算，只選取其中出現(xiàn)概率最高的4種模式用于幀內(nèi)預(yù)測[6]。 

        (2)對程序結(jié)構(gòu)進(jìn)行優(yōu)化 

        首先對程序中的條件判斷語句、循環(huán)語句和函數(shù)調(diào)用等進(jìn)行優(yōu)化調(diào)整減少這類耗費較多時鐘周期的指令。對視頻數(shù)據(jù)的變換和逆變換、SAD的計算、運動預(yù)測的計算等盡量使用軟件流水線。其次利用CCS2．2中C編譯器提供的優(yōu)化選項對程序進(jìn)行優(yōu)化，并對程序中浪費時間較多的代碼用匯編優(yōu)化器來優(yōu)化這些代碼。 

        (3)優(yōu)化存儲器 由于視頻數(shù)據(jù)量較大，對數(shù)據(jù)的存取浪費的時間較多。這里使用DMA方式進(jìn)行數(shù)據(jù)的存取以減少存儲器延時，即在CPU對數(shù)據(jù)處理前用DMA方式將所需數(shù)據(jù)傳送到內(nèi)部緩存中，這樣不但節(jié)約處理時間還便于使用軟件流水線。

        3．3 SIP協(xié)議的實現(xiàn) 

        基于SIP的通信協(xié)議有多個開源版本，本文采用OS-IP2(V2．2．2)[7]。OSIP2使按照RFC3261(SIP)和RFC2327(SDP)標(biāo)準(zhǔn)并使用標(biāo)準(zhǔn)C編寫的一個公開源碼的免費協(xié)議棧。其結(jié)構(gòu)簡單小巧，專注于底層解析，效率較高。Osip2協(xié)議棧大致可以分為3部分：SIP協(xié)議的語法分析、SIP協(xié)議的過程分析和協(xié)議棧框架。 

        (1)SIP協(xié)議的語法分析 

        支持RFC．3261和RFC3265定義的SIP協(xié)議消息，包括INVITE，ACK，OPTIONS，CANCEL，BYE，SUB-SCRIBE，NOTIFY，MESSAGE，REFER和INFO等。不支持RFC3262定義的PRACK。遵循RFC3264關(guān)于SDP的offer／answer模式。帶有SDP的語法分析。支持MD5加解密算法，Authorization，www_authenticate和proxy-authenticate等。 

        (2)SIP協(xié)議的過程分析 

        基于RFC3261，RFC3264和RFC3265的SIP協(xié)議描述過程，圍繞transaction這一層來實現(xiàn)SIP的解析。Transaction是指一個發(fā)送方和接收方的交互過程，由請求和應(yīng)答組成。請求分為Invite類型和Non-Invite類型。應(yīng)答分為響應(yīng)型的應(yīng)答和確認(rèn)型的應(yīng)答。響應(yīng)型的直答是指這個應(yīng)答僅代表對方收到請求。請求經(jīng)過處理后都必須返回確認(rèn)型的應(yīng)答。響應(yīng)型的應(yīng)答有1xx，確認(rèn)型的應(yīng)答包括2xx，3xx，4xx，5xx和6xx。一個transaction由一個請求和一個或多個響應(yīng)型應(yīng)答、一個確認(rèn)型應(yīng)答組成。Transaction根據(jù)請求的不同和發(fā)送/接收的不同可以分為4類：ict(會話邀請的發(fā)起方)、nict(非邀請會話的發(fā)起方)、ist(會話邀請的接收方)和nist(非邀請會話的接收方)。 

        (3)協(xié)議?？蚣?nbsp;

        主要有3部分：底層套接字接收／發(fā)送，模塊問通信管道，上層調(diào)用api接口。OSIP2并不實現(xiàn)底層套接字的接收俊送，其由eXOSIP實現(xiàn)，現(xiàn)在只支持UDP的鏈路連接。 

        本文利用下載的用C語言編寫()SIP2源碼在LINUX環(huán)境下編譯后下載到ARM9 芯片S3C2410中。 

        4結(jié)語 

        根據(jù)以上的設(shè)計，研制了一套視頻電話終端樣機，完成的功能有：具有以太網(wǎng)，RJ45，JTAG，數(shù)字CCD攝像頭、鍵盤和復(fù)合視頻輸入／輸出、以語音輸入／輸出接口，支持音視頻雙向同步傳送，在固話網(wǎng)和Internet網(wǎng)上測試，CIF格式視頻傳送率25幀／s，支持G．711／G．729／G．723．1語音編碼。 

        本文設(shè)計的視頻電話終端就目前來說市場化每臺成本能控制在1500元以下，因采用通用的DSP芯片和ARM芯片，對產(chǎn)品的進(jìn)一步神經(jīng)非常方便，只需更改相關(guān)軟件即可。 

        通過Internet或固話網(wǎng)實現(xiàn)語音和視頻傳輸?shù)膽?yīng)用需求越來越多，技術(shù)應(yīng)用也將趨于成熟，視頻電話機隨著費用的降低也將走入千家萬戶，具有廣闊的市場前景。