解析数字门禁可视对讲中的音视频同步原理

　　Linux操作系统下音频接口有/dev/dsp,/dev/audio,/dev/Mixer三种。前两种的属性基本相同，DSP是数字信号处理器（DigitalSignalProcessor）的简称，是用于数字采样（sampling）和数字录音（recording）的设备文件，它对于Linux下的音频编程来讲非常重要。向该设备写数据即意味着激活声卡上的D/A转换器进行放音，而向该设备读数据则意味着激活声卡上的A/D转换器进行录音。目前许多声卡都提供有多个数字采样设备。/dev/audio属性与dsp类似，但更多的用于sun的工作站中，为兼容性考虑，应用中一般使用/dev/dsp作为音频接口。mixer为混音器，也是声卡设备中相当重要的一部分，它的作用是将多个信号组合或者叠加到一起，但对应用程序来说，这些都无需考虑，但可以通过这个接口调节声卡播放时声音的大小等参数。

　　无论是Linux下还是Windows下，声卡的编程接口都是由声卡驱动提供的，而驱动都是会考虑到时间机制的，其表现形式就是当声卡驱动没有装好时，使用播放器播放多媒体文件时声音以极快的速度过去了，但是声卡驱动装好之后就很正常了，本文的音视频同步解决方案即以此为基础。

五、基于音频时间机制的音视频同步解决方案

　　与文件形式的多媒体不同的是，可视对讲中音视频流的源端是永远同步的。所以一种简单的解决方案是发送端启用独立的音频和视频线程，进行音视频采集，采集后只管往外发送数据，接收端接到数据就分别解码播放，从表面看，这种采用无同步机制多线程解决方案是可行的，但是忽略了一个问题，即音频数据包和视频数据包的大小。包的大小会影响网络传输的速度。这种差别在网络条件好的情况下显示不出来，一旦遇到网络拥塞或者其他情况就会变得很明显。

　　根据对音频采集和处理的叙述，我们知道，音频的采集是有时间机制的。比如采样率是8000，采样位数是8，我们就可以算出采8K字节的数据所用的时间是1s，这样音频就可以按照自己的速度播放；而摄像头每秒采集的帧数是相对固定的，如OV9650采集速度为平均每秒30帧，这样即可以算出1/30秒（约为0.03333，具体精度可以根据要求决定）刷新一帧图片，这种方式中只要保证源端音频视频的采集是同步的就可以，而门禁对讲过程中，这种同步是原生的。

　　接收端接收到音频数据，直接交给声卡播放，当前播放的音频包的时间戳时间传送给视频线程；接收到视频帧，则将其时间戳时间与当前播放的音频时间戳进行比较，若未达到参考时间，则解码播放；若达到参考时间，则说明该视频帧滞后，丢弃该视频帧，接收下一个视频帧，循环往复，直到线程接收到结束命令停止；以上述音频采样率和采样位数为例，视频参考时间的计算方法为（以C语言格式的？号表达式表示）：

　　音频时间戳时间+1/30>视频时间戳时间?丢弃：播放；

　　在编程实现时，采集端和播放端的音频和视频可采用独立的线程，并利用Qt的信号槽机制实现音视频线程时间戳的传递，此处不再赘述。

六、方案测试

　　本同步方案在科技部中小型企业产业化创新基金项目“智能家居系统与控制器”中得到应用，应用结果表明，这种音视频同步解决方案可以实现数字门禁可视对讲的音视频同步。