組織：中國互動出版網（http://www.china-pub.com/）
RFC文檔中文翻譯計劃（http://www.china-pub.com/compters/emook/aboutemook.htm）
E-mail：ouyang@china-pub.com
譯者： 李超（licc_li ，licc_li@sina.com）
譯文發布時間：2001-4-26
版權：本中文翻譯文檔版權歸中國互動出版網所有。可以用于非商業用途自由轉載，但必須
保留本文檔的翻譯及版權信息。




Network Working Group                                         Y. Kikuchi
Request for Comments: 3016                                       Toshiba
Category: Standards Track                                      T. Nomura
                                                                     NEC
                                                             S. Fukunaga
                                                                     Oki
                                                               Y. Matsui
                                                              Matsushita
                                                               H. Kimata
                                                                     NTT
                                                           November 2000

用于MPEG-4視聽流的RTP負載格式
（RRC3016 RTP Payload Format for MPEG-4 Audio/Visual Streams）


本備忘錄的狀態
  本文檔講述了一種Internet社區的Internet標準跟蹤協議，它需要進一步進行討論和建議以
得到改進。請參考最新版的“Internet正式協議標準” (STD1)來獲得本協議的標準化程度
和狀態。本備忘錄的發布不受任何限制。
版權聲明
   Copyright (C) The Internet Society (2000).  All Rights Reserved.
摘要
   本文描述了在不使用MPEG-4系統的情況下攜帶MPEG-4音頻和視覺碼流的RTP負載格式。為了能
直接將MPEG-4音頻/視覺碼流映射到RTP包上，它提供了RTP包頭字段的使用規范和分片規則。同
時文檔中還規定了MIME類型注冊和會話描述協議(SDP)的使用。
目錄
本備忘錄的狀態	1
版權聲明	1
摘要	1
1. 介紹	2
1.1 MPEG-4視覺RTP負載格式	3
1.2 MPEG-4音頻RTP負載格式	3
2. 要求的術語	4
3. MPEG-4視覺碼流的RTP組包	4
3.1 MPEG-4視覺中RTP頭字段的使用	4
3.2 MPEG-4視覺碼流分片	5
3.3 MPEG-4視覺碼流組包示例	6
4. MPEG-4音頻碼流的RTP組包	7
4.1 RTP包格式	7
4.2 MPEG-4音頻中RTP頭字段的使用	8
4.3 MPEG-4音頻碼流分片	9
5. MPEG-4視聽流MIME類型注冊	9
5.1 MPEG-4視覺MIME類型注冊	9
5.2 MPEG-4視覺中SDP的用法	10
5.3 MPEG-4音頻MIME類型登記	11
5.4 SDP usage of MPEG-4 Audio	12
6. 安全性考慮	13
7. 參考文獻	13
8. 作者地址	13
9. 版權聲明	14
致謝	14

1. 介紹
本文描述的RTP負載格式規定了如何對MPEG-4音頻流[3][5]和MPEG-4視覺流[2][4]進行分
片并直接映射到RTP包中。
	通過定義這些RTP負載格式，應用在不使用MPEG-4系統同步和流管理功能的情況下也能直接
傳輸MPEG-4音頻/視覺流。本文的RTP負載格式可應用于那些本身有流管理功能且不需要MPEG-4
系統中類似功能的系統。例如H.323終端，其MPEG-4音/視頻流的管理就不通過MPEG-4系統對象描
述符進行管理，而是使用了H.245。流直接映射到RTP包中，并沒有使用MPEG-4系統同步層。其它
例子包括SIP和RTSP，它們使用了MIME和SDP。本文所述之RTP負載格式定義了MIME類型和SDP的用
法，直接規定了不使用MPEG-4系統時的音/視覺流屬性（如，媒體類型，打包格式和編碼配置）。
這樣做明顯的優點在于可以象對付那些非MPEG-4編碼格式一樣，采用一種通用的方法來對這些
MPEG-4音頻/視覺RTP負載格式進行處理。而缺點在于同基于MPEG-4系統環境的互操作可能會比較
困難，其它負載格式則更適用于這些應用。
	在此情況下，RTP包頭的語義必須定義的非常清晰，其中包括MPEG-4音/視頻數據元素的關
系。此外，為了增強錯誤恢復能力，在MPEG-4視頻流內部提供錯誤恢復工具，最好能為MPEG-4
視頻流定義好RTP包的分片規則。
1.1 MPEG-4視覺RTP負載格式
MPEG-4視覺是一種視覺編碼標準，它具有如下新特征：高編碼效率；高錯誤恢復性；基于
多樣的，任意形的對象編碼；等等[2]。其速率范圍介于數Kbps到幾Mbps。并且它能適應從無差
錯網絡到高錯誤率的移動網絡等多種網絡類型。
針對本文中定義的MPEG-4視覺碼流的分片規則我們應當注意到，由于MPEG-4視覺將用于多
種網絡類型，因此在分片方面不應有太多的限制。諸如“單個視頻包需映射到單個RTP包”這樣
的分片規則是不合理的。另一方面，大意，以及未知媒體分片也可能導致錯誤恢復率和帶寬利用
率的下降。本文描述的分片規則十分靈活，但在應用MPEG-4視覺錯誤恢復功能時為了避免無意義
的分片也要定義一個最小的規則集。
分片規則建議不要在一個RTP包中映射多個VOP，這樣可以保證RTP時間戳能唯一地表示VOP
分幀時間。而相反地，由于MPEG-4視頻可以產生非常小的VOP，如一個只包含VOP頭的空VOP 
(vop_coded=0)或者一個僅有少量碼塊的任意形VOP。為了減低開銷，分片規則應允許將多個VOP
連接到一個RTP包中。（參見3.2節分片規則(4)和3.1節標志位和時間戳）
在H.261或MPEG-1/2等視頻編碼工具中往往通過所定義的額外媒體RTP包頭來幫助在包丟失
時恢復損壞的圖片包頭，而MPEG-4視覺已經為此提供了錯誤恢復功能，它們可用于RTP/IP網絡，
也可用于其它網絡（H.223/Mobile,MPEG-2/TS等）。因此，無需在MPEG-4視覺RTP負載格式中定
義額外的RTP包頭。
1.2 MPEG-4音頻RTP負載格式
   MPEG-4音頻是一種集成了多種類型音頻編碼工具的新型音頻標準。LATM(低負擔MPEG-4音頻傳
輸復用)通過相當小的耗費來管理音頻數據序列。對那些僅有音頻的應用，不使用MPEG-4系統而
采用直接將基于LATM的MPEG-4音頻碼流映射到RTP包的方式是很值得的。
	LATM有如下幾項復用特性：
   -  在音頻數據中攜帶配置信息，
   -  將多個音頻幀連接到一個音頻流中，
   -  多對象（程序）復用
   -  可伸縮層的復用，
	在RTP傳輸中不需要最后兩項性質。因此，基于本文規定的RTP組包原則的應用程序不能使
用這兩個性質。由于LATM是為自然音頻編碼工具所開發，而非為合成工具開發，要用其來傳輸結
構化音頻(SA)數據和文語轉換接口(TTSI)數據是很困難的。所以不能通過本文檔的RTP組包方法
傳輸SA數據和TTSI數據。
	為了傳輸可伸縮流，每層的音頻數據都應當打包到不同的RTP包，如此才可保證在IP層對不
同層有不同的處理，比如通過一些區分服務。另一方面，可伸縮流的所有配置數據都包含于一個
LATM配置數據"SteamMuxConfig"中，并且每一層共享該 StreamMuxConfig。層與其配置數據的映
射是通過音頻數據附帶的LATM頭信息來完成的。為了表示可縮放流的依賴信息，還針對負載類型
(PT)值(見4.2節)的動態分配規則使用了一種限制措施。
對于MPEG-4音頻編碼工具而言，如果負載為單個音頻幀，則包的丟失不會影響鄰近包的解
碼。這同樣也適用于其它音頻編碼器。因此MPEG-4音頻不需要附加的用于錯誤恢復的媒體特定頭。
可采用已經存在的一些RTP保護機制來提高錯誤恢復率，如通用前向糾錯(RFC 2733)和冗余音頻
數據(RFC 2198)。
2. 要求的術語
本文中的關鍵字“必須”，“必須不”，“要求的”，“應該”，“不應該”，“會”，“不會”，
“建議”，“或許”，“可選的”在 RFC 2119 中解釋。   
3. MPEG-4視覺碼流的RTP組包
	本節規定了MPEG-4視覺內容的RTP組包規則。一個MPEG-4視覺碼流可直接映射到RTP包而不
需要增加額外的頭字段或者刪除任何視覺語法元素。為了將基本流的配置信息在相同的RTP端口
上傳送，必須使用合并配置/基本流模式。（參見ISO/IEC 14496-2[2][9][4]中6.2.1"開始編碼"）
配置信息可以通過帶外方式規定。對于H.323終端，必須使用H.245碼
點"decoderConfigurationInformation"。如果系統使用MIME內容類型和SDP參數，如SIP和RTSP，
則必須用可選參數"config"來規定配置信息（參見5.1和5.2）。
	當使用了短視頻頭模式時，應該H.263的RTP負載格式（建議使用RFC2429定義的格式，但也
可使用RFC2190格式以實現同舊系統的兼容性）。
0                   1                   2                   3
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|V=2|P|X|  CC   |M|     PT      |       sequence number         | RTP
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|                           timestamp                           | Header
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|           synchronization source (SSRC) identifier            |
+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+
|            contributing source (CSRC) identifiers             |
|                             ....                              |
+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+
|                                                               | RTP
|       MPEG-4 Visual stream (byte aligned)                     | Pay-
|                                                               | load
|                               +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|                               :...OPTIONAL RTP padding        |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

     Figure 1 – 一個MPEG-4視覺流的RTP包
3.1 MPEG-4視覺中RTP頭字段的使用
   負載類型(PT): 為新的包格式分配RTP負載類型超出了本文的范疇，不在此贅述。特定類
型應用程序的RTP框架應該負責負載類型的分配，如若不能則應該通過帶外信令協議（如，
H.245,SIP等）在動態范圍內選擇一個負載類型。
   擴展位(Extension-X bit): 由使用的RTP框架定義。
   序列號（Sequence Number）: 為了安全從一個隨機初始化值開始，每發送一個RTP數據包加1。
   標志位（Marker-M） bit: 標志位設為1標志這是VOP的最后一個（或僅有一個）RTP包。若一
個RTP包中攜帶有多個VOP則標志位也設為1。
   時間戳（Timestamp）: 時間戳表示RTP包中的VOP采樣時間。為了安全，加上了一個隨機常數
偏移。
   -  當一個RTP包攜帶多個VOP時，時間戳表示其中最早的一個VOP的時間。其它VOP的時間戳信
息通過VOP頭的時間戳字段可得（modulo_time_base和vop_time_increment）。
   -  如果RTP包只含有配置信息或Group_of_VideoObjectPlane()字段，使用編碼隊列中下一個
VOP的時間戳。
-	如果RTP包僅含有visual_object_sequence_end_code信息，使用編碼隊列中前一個VOP
的時間戳。
除非由帶外方式規定，時間戳分辨率設為缺省值90KHz。
   其它頭字段的使用見RFC 1889 [8]。
3.2 MPEG-4視覺碼流分片
   使用合并配置/基本流模式，經過分片的MPEG-4視覺碼流直接映射到RTP負載而不用增加任何
額外頭字段或者刪除視覺語法元素。分片時可應用如下規則。
   下文中，頭（Header）可能表示如下信息：
   -  配置信息（視覺對象序列頭，視覺對象頭和視頻對象層頭）
   -  visual_object_sequence_end_code
   -  基本流的進入點函數頭（Group_of_VideoObjectPlane(),
      video_plane_with_short_header(), MeshObject()或FaceObject())
   -  視頻包頭 (video_packet_header()，next_resync_marker()除外)
   -  gob_layer()頭
      配置信息和進入點函數的定義參見ISO/IEC 14496-2 [2][9][4]的6.2.1 "開始編碼"
   (1) 配置信息和Group_of_VideoObjectPlane()字段應位于RTP負載的開始位置或在語法上的
上層函數頭之后。 
   (2) 如果RTP負載中存在一個或多個頭，則RTP負載應從語法上的最高函數頭開始。
   注意: visual_object_sequence_end_code作為最低函數。
   (3) 一個頭不應分到多個RTP包中。
   (4) 不同的VOP應該分片為不同的RTP包，一個RTP包只包括與唯一VOP的時間相關的數據（在
RTP包頭的時間戳字段中指出）。例外情況是如果VOP很小，則單個RTP包攜帶多個按解碼順序連
續的VOP。