MP4 box简述

朱雀 2022-08-24 06:10 88阅读 0赞

# 一. Box基本结构 #

## 1. class Box ##

aligned(8) class Box (unsigned int(32) boxtype, optional unsigned int(8)[16] extended_type) 
    	{
    			unsigned int(32) size;
    			unsigned int(32) type = boxtype;
    			if (size==1)
    			{
    				unsigned int(64) largesize;
    			}
    			else if (size==0) 
    			{
    					// box extends to end of file
    			}
    			if (boxtype==‘uuid’) 
    			{
    					unsigned int(8)[16] usertype = extended_type;
    			}
    	}

## 2. class FullBox ##

aligned(8) class FullBox(unsigned int(32) boxtype, unsigned int(8) v, bit(24) f)
    	extends Box(boxtype) 
    	{
    			unsigned int(8) version = v;
    			bit(24) flags = f;
    	}

flags is a 24-bit integer with flags; the following values are defined:  
Track\_enabled: 0x000001. 是否激活track.  
Track\_in\_movie: 0x000002.  track是否用于呈现.  
Track\_in\_preview: 0x000004. track是否用于预览.

# 二. Box #

## 1. File Type Box(\`ftyp’) ##

Container: File  
   Mandatory: Yes  
   Quantity: Exactly one (but see below)

aligned(8) class FileTypeBox extends Box(‘ftyp’) 
       {
    			unsigned int(32) major_brand;
    			unsigned int(32) minor_version;
    			unsigned int(32) compatible_brands[]; // to end of the box
       }

## 2. Movie Box(‘moov’) ##

Container: File  
   Mandatory: Yes  
   Quantity: Exactly one

aligned(8) class MovieBox extends Box(‘moov’)
       {
       }

### 2.1 Movie Header Box(‘mvhd’) ###

Container: Movie Box (‘moov’)  
   Mandatory: Yes  
   Quantity: Exactly one

aligned(8) class MovieHeaderBox extends FullBox(‘mvhd’, version, 0) 
    	 {
    			if (version==1)
    			{
    					unsigned int(64) creation_time;
    					unsigned int(64) modification_time;
    					unsigned int(32) timescale;
    					unsigned int(64) duration;
    			}
    			else
    			{ // version==0
    					unsigned int(32) creation_time;
    					unsigned int(32) modification_time;
    					unsigned int(32) timescale;
    					unsigned int(32) duration;
    			}
    			template int(32) rate = 0x00010000; // typically 1.0
    			template int(16) volume = 0x0100; // typically, full volume
    			const bit(16) reserved = 0;
    			const unsigned int(32)[2] reserved = 0;
    			template int(32)[9] matrix = { 0x00010000,0,0,0,0x00010000,0,0,0,0x40000000 };
    			// Unity matrix
    			bit(32)[6] pre_defined = 0;
    			unsigned int(32) next_track_ID;
    	}

creation\_time: 文件创建时间 utc from 1904:1:1.  如果从Unix的元年1970年开始计算，需要加上66年，所以程序中通常为加上固定值2082758400ULL。  
modification\_time: 文件修改时间 utc from 1904:1:1  
timescale：时间尺度  
duration: 文件长度(时间尺度计算). 文件的duration应该是所有track中duration最长的那个. 如果长度未知,用timesacle去表示为1S.  
rate：播放速率 (fixed point 16.16)  
volume: 优先播放的声音大小(fixed point 8.8)  
matrix: 用于视频的变换矩阵, 公式见下. 存储顺序 \{a,b,u, c,d,v, x,y,w\}. 其中(a,b,c,d,x,y)为 fixed point 16.16.(u,v,w) 为fixed point 2.30,恒为  
 值(0,0,1),表示为2.30的浮点数为(0,0,0x40000000).  
(p q 1) \* | a b u | = (m n z)  
| c d v |  
| x y w |  
       next\_track\_ID: 用于向MP4中增加track, 因此大于现有MP4文件中trackId.

### 2.2 Track Box(‘trak’) ###

Container: Movie Box (‘moov’)  
   Mandatory: Yes  
   Quantity: One or more

aligned(8) class TrackBox extends Box(‘trak’)
    	{
    	}

Track Box的作用：  
(a) to contain media data (media tracks)  
(b) to contain packetization information for streaming protocols (hint tracks).

#### 2.2.1 Track Header Box(‘tkhd’) ####

Container: Track Box (‘trak’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class TrackHeaderBox extends FullBox(‘tkhd’, version, flags)
    	{
    		if (version==1) 
    		{
    			unsigned int(64) creation_time;
    			unsigned int(64) modification_time;
    			unsigned int(32) track_ID;
    			const unsigned int(32) reserved = 0;
    			unsigned int(64) duration;
    		}
    		else
    		{ // version==0
    			unsigned int(32) creation_time;
    			unsigned int(32) modification_time;
    			unsigned int(32) track_ID;
    			const unsigned int(32) reserved = 0;
    			unsigned int(32) duration;
    		}
    		const unsigned int(32)[2] reserved = 0;
    		template int(16) layer = 0;
    		template int(16) alternate_group = 0;
    		template int(16) volume = {if track_is_audio 0x0100 else 0};
    		const unsigned int(16) reserved = 0;
    		template int(32)[9] matrix= { 0x00010000,0,0,0,0x00010000,0,0,0,0x40000000 };
    		// unity matrix
    		unsigned int(32) width;
    		unsigned int(32) height;
    	}

creation\_time：track的创建时间  
modification\_time：track的修改时间  
track\_ID: track id,此值唯一  
duration: track的时长. timescale定义在mvhd中.  
layer: 用于视频track的显示层次,和photoshop中的层类似, 越小越前.  
alternate\_group: track的组集合.值为0,表示和其他track无关. 在同一时间,组内只有一条track能够被显示.  
volume: 音量. fixed point, 8.8.  
matrix:　视频track显示矩阵.  
width: 图像宽. fixed point, 16.16.  
height: 图像高. fixed point, 16.16.

#### 2.2.2 Edit Box(‘edts’) ####

Container: Track Box (‘trak’)  
Mandatory: No  
Quantity: Zero or one

aligned(8) class EditBox extends Box(‘edts’) 
       {
       }

Edit boxs 定义了创建movie中一个track的一部分媒体.所有的edit都在一个表里面,包括每一部分的时间偏移量和长度.  
Edit boxs 的类型是'edts'.如果没有该表,则此track会被立即播放.一个空的edit用来偏移track的起始时间.如果没有edit box 或edit list box,  
则此track使用全部媒体.Edit boxs是一个容器box,本身没有特别的字段,需要子box来进一步说明有效的内容.

##### 2.2.2.1 Edit List Box(‘elst’) #####

Container: Edit Box (‘edts’)  
Mandatory: No  
Quantity: Zero or one

aligned(8) class EditListBox extends FullBox(‘elst’, version, 0) 
    	{
    		unsigned int(32) entry_count;
    		for (i=1; i <= entry_count; i++) 
    		{
    			if (version==1) 
    			{
    				unsigned int(64) segment_duration;
    				int(64) media_time;
    			}
    			else
    			{ // version==0
    				unsigned int(32) segment_duration;
    				int(32) media_time;
    			}
    			int(16) media_rate_integer;
    			int(16) media_rate_fraction = 0;
    		}
    	}

这个Box定义了一个track中Edit段的时间表,其中包含了多个entry,每个entry定义了track中Edit时间表的一部分. 通过匹配媒体的时间表,  
或者通过显示"empty"时间,或者通过定义一个"dwell"点(用于在媒体播放时暂停一段时间).  
  
需要注意的是：编辑段(Edits)并不严格匹配于帧(Sample)时间.这意味着进入一个编辑段(Edit)时,有可能必须做两件事：  
1. 备份一个同步点,或者从此点开始一段预播  
2. 必须小心原始数据track的第一个帧的持续时间,如果编辑段进入了一个track的原始数据段,此帧可能会被截断.  
  
典型的应用是：  
对一个tracks进行偏移,可以使用一个预定义的空edit.比如说：如果想要,从一个track的起始开始播放,连续播放30秒,但是第10秒才开始呈现播放内容.  
(简单的说,就是延迟10秒,然后从原始视频的第0秒开始播放track30秒),可以如下设置：  
Entry-count = 2  
  Segment-duration = 10 seconds  
Media-Time = -1  
Media-Rate = 1  
Segment-duration = 30 seconds (could be the length of the whole track)  
Media-Time = 0 seconds  
Media-Rate = 1  
  
entry\_count：实体个数  
segment\_duration：编辑段的持续时间(值用MVHD中的timescale表示)  
media\_time： 编辑段要在media上开始的时间点.  
media\_rate：播放编辑段的速率.为0的话,编辑段为一个"dwell",即画面停止.画面会在media-time点上停止segment\_duration时间.否则这个值始终为1.  
  
并不是所有播放器都会解析这个box.

#### 2.2.3 Media Box(‘mdia’) ####

Container: Track Box (‘trak’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class MediaBox extends Box(‘mdia’)
        {
        }

##### 2.2.3.1 Media Header Box(‘mdhd’) #####

Container: Media Box (‘mdia’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class MediaHeaderBox extends FullBox(‘mdhd’, version, 0) 
    	{
    		if (version==1)
    		{
    			unsigned int(64) creation_time;
    			unsigned int(64) modification_time;
    			unsigned int(32) timescale;
    			unsigned int(64) duration;
    		}
    		else
    		{ // version==0
    			unsigned int(32) creation_time;
    			unsigned int(32) modification_time;
    			unsigned int(32) timescale;
    			unsigned int(32) duration;
    		}
    		bit(1) pad = 0;
    		unsigned int(5)[3] language; // ISO-639-2/T language code
    		unsigned int(16) pre_defined = 0;
    	}

creation\_time: track中数据的创建时间,多同‘tkhd’中creation\_time.  
modification\_time: track中数据的修改时间,多同‘tkhd’中modification\_time.  
timescale: 媒体中时间尺度. 通常和'mvhd'中的timescale不同,精度更高.  
duration: 媒体的长度(时间尺度表示).  
language：语言,符合ISO-639-2/T标准.

##### 2.2.3.2 Handler Reference Box(‘hdlr’) #####

Container: Media Box (‘mdia’) or Meta Box (‘meta’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class HandlerBox extends FullBox(‘hdlr’, version = 0, 0)
        {
    		unsigned int(32) pre_defined = 0;
    		unsigned int(32) handler_type;
    		const unsigned int(32)[3] reserved = 0;
    		string name;
        }

该box用于声明处理类型.  
  
handler\_type: 4字节固定整数   
1. 在‘mdia’ Box中,类型为:  
‘vide’ Video track  
‘soun’ Audio track  
‘hint’ Hint track  
‘meta’ Timed Metadata track  
‘auxv’ Auxiliary Video track  
2. 在‘meta’ Box中,类型为:  
   ‘null’  
     
name：handle的名字,人为添加.

##### 2.2.3.3 Media Information Box(‘minf’) #####

Container: Media Box (‘mdia’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class MediaInformationBox extends Box(‘minf’)
    	{
    	}

仅是‘vmhd’, ‘smhd’, ’hmhd’, ‘nmhd’的容器.

###### 2.2.3.3.1 Media Information Header Boxes(‘vmhd’, ‘smhd’, ’hmhd’, ‘nmhd’) ######

Container: Media Information Box (‘minf’)  
Mandatory: Yes  
Quantity: Exactly one specific media header shall be present  
  
a. Video Media Header Box(‘vmhd’)

aligned(8) class VideoMediaHeaderBox extends FullBox(‘vmhd’, version = 0, 1) 
    	{
    		template unsigned int(16) graphicsmode = 0; // copy, see below
    		template unsigned int(16)[3] opcolor = {0, 0, 0};
    	}

graphicsmode: video的合成模式  
opcolor：为合成模式预设的R,G,B值  
  
b. Sound Media Header Box(‘smhd’)

aligned(8) class SoundMediaHeaderBox extends FullBox(‘smhd’, version = 0, 0) 
    	{
    		template int(16) balance = 0;
    		const unsigned int(16) reserved = 0;
    	}

balance: fixed-point 8.8, 单声道音轨在立体声中的播放位置. 中间 0; 左 -1.0；右 1.0.

###### 2.2.3.3.2 Media Information Header Boxes(‘dinf’) ######

Container: Media Information Box (‘minf’) or Meta Box (‘meta’)  
Mandatory: Yes (required within ‘minf’ box) and No (optional within ‘meta’ box)  
Quantity: Exactly one

aligned(8) class DataInformationBox extends Box(‘dinf’)
    	{
            }

“dinf”一般包含一个“dref”,即data reference box；“dref”下会包含若干个“url”或“urn”,这些box组成一个表,用来定位track数据.  
  简单的说,track可以被分成若干段,每一段都可以根据“url”或“urn”指向的地址来获取数据,sample描述中会用这些片段的序号将这些片段组成一个完整的track.  
  一般情况下,当数据被完全包含在文件中时,“url”或“urn”中的定位字符串是空的.  
    
**2.2.3.3.2.1 Data Reference Box(‘url‘, ‘urn‘, ‘dref’)**  
Container: Data Information Box (‘dinf’)  
Mandatory: Yes  
Quantity: Exactly one  
  
a. DataEntryUrlBox(‘url‘)

aligned(8) class DataEntryUrlBox (bit(24) flags) extends FullBox(‘url ’, version = 0, flags) 
    	{
    		string location;
    	}

b. DataEntryUrnBox(‘urn‘)

aligned(8) class DataEntryUrnBox (bit(24) flags) extends FullBox(‘urn ’, version = 0, flags) 
    	{
    		string name;
    		string location;
    	}

c. DataReferenceBox(‘dref’)

aligned(8) class DataReferenceBox extends FullBox(‘dref’, version = 0, 0)
    	{
    		unsigned int(32) entry_count;
    		for (i=1; i <= entry_count; i++) 
    		{
    			DataEntryBox(entry_version, entry_flags) data_entry;
    		}
    	}

DataEntryBox指的是DataEntryUrnBox和DataEntryUrlBox.

###### 2.2.3.3.3 Sample Table Box(‘stbl’) ######

Container: Media Information Box (‘minf’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class SampleTableBox extends Box(‘stbl’) 
    	{
    	}

**2.2.3.3.3.1 Sample Description Box(‘stsd’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: Yes  
Quantity: Exactly one  
  
这个box定义了视频的编码类型、宽高、长度,音频的声道、采样等信息.

aligned(8) abstract class SampleEntry (unsigned int(32) format) extends Box(format)
    	{
    		const unsigned int(8)[6] reserved = 0;
    		unsigned int(16) data_reference_index;
    	}

data\_reference\_index：关联的数据引用值的序号.数据引用值定义在Dref Box当中.  
  
 **1. 视频**

class CleanApertureBox extends Box(‘clap’)
    	{
    		unsigned int(32) cleanApertureWidthN;
    		unsigned int(32) cleanApertureWidthD;
    		unsigned int(32) cleanApertureHeightN;
    		unsigned int(32) cleanApertureHeightD;
    		unsigned int(32) horizOffN;
    		unsigned int(32) horizOffD;
    		unsigned int(32) vertOffN;
    		unsigned int(32) vertOffD;
    	}

class PixelAspectRatioBox extends Box(‘pasp’)
    	{
    		unsigned int(32) hSpacing;
    		unsigned int(32) vSpacing;
    	}

class VisualSampleEntry(codingname) extends SampleEntry (codingname)
    	{
    		unsigned int(16) pre_defined = 0;
    		const unsigned int(16) reserved = 0;
    		unsigned int(32)[3] pre_defined = 0;
    		unsigned int(16) width;
    		unsigned int(16) height;
    		template unsigned int(32) horizresolution = 0x00480000; // 72 dpi
    		template unsigned int(32) vertresolution = 0x00480000; // 72 dpi
    		const unsigned int(32) reserved = 0;
    		template unsigned int(16) frame_count = 1;
    		string[32] compressorname;
    		template unsigned int(16) depth = 0x0018;
    		int(16) pre_defined = -1;
    		// other boxes from derived specifications
    		CleanApertureBox clap; // optional
    		PixelAspectRatioBox pasp; // optional
    	}

width: 视频宽  
height：视频高  
horizresolution：水平分辨率(pixels-per-inch, fixed 16.16 number)  
vertresolution：垂直分辨率(pixels-per-inch, fixed 16.16 number)  
frame\_count: 每个sample中压缩了多少帧  
compressorname：名字,出于信息显示作用.  
depth：位深.0x18表示24色,没有alpha值.  
CleanApertureBox：纯净光圈,和长宽比有关.纯净光圈下,水平像素和垂直像素尺寸不同.  
PixelAspectRatioBox：长宽比  
  
**2. 音频**

class AudioSampleEntry(codingname) extends SampleEntry (codingname)
    	{
    		const unsigned int(32)[2] reserved = 0;
    		template unsigned int(16) channelcount = 2;
    		template unsigned int(16) samplesize = 16;
    		unsigned int(16) pre_defined = 0;
    		const unsigned int(16) reserved = 0 ;
    		template unsigned int(32) samplerate = { default samplerate of media}<<16;
    	}

channelcount：声道数.1为单声道,2为立体声.  
SampleSize：Sample大小.  
SampleRate：采样率 (a fixed 16.16 number)  
  
**2.2.3.3.3.2 Decoding Time to Sample Box(‘stts’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: Yes  
Quantity: Exactly one  
  
这个Box给出了解码时间和帧关系表,也就是说标识了每一帧的解码时间:  
DT(n+1) = DT(n) + STTS(n),其中DT(n) = SUM(for j=0 to n-1 of delta(j)).  
上述时间表的表示,并未匹配到整个文件的timescale,且不考虑任何elst Box.

aligned(8) class TimeToSampleBox extends FullBox(’stts’, version = 0, 0)
    	{
    		unsigned int(32) entry_count;
    		int i;
    		for (i=0; i < entry_count; i++)
    		{
    			unsigned int(32) sample_count;
    			unsigned int(32) sample_delta;
    		}
    	}

sample\_count: 拥有同样duration的连续sample数目  
sample\_delta: 两帧之间的增量时间,用timescale表示.  
  
**2.2.3.3.3.3 Composition Time to Sample Box(‘ctts’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: No  
Quantity: Zero or one  
  
这个box给出了dts和cts之间的偏移值.dts和cts之间的有如下关系：  
在version为0的协议中,dts要小于cts,且dts和cts的偏移值必须是无符号整数.  
CT(n) = DT(n) + CTTS(n).  
在version为1的协议中,dts和cts的偏移值定义为整数.

aligned(8) class CompositionOffsetBox extends FullBox(‘ctts’, version = 0, 0) 
    	{
    		unsigned int(32) entry_count;
    		int i;
    		if (version==0) 
    		{
    			for (i=0; i < entry_count; i++) 
    			{
    				unsigned int(32) sample_count;
    				unsigned int(32) sample_offset;
    			}
    		}
    		else if (version == 1) 
    		{
    			for (i=0; i < entry_count; i++) 
    			{
    				unsigned int(32) sample_count;
    				signed int(32) sample_offset;
    			}
    		}
    	}

‘stts’和‘ctts’的关系,可见下表：  
协议47页  
  
version：box协议版本  
entry\_count: 实体数目  
sample\_count: 拥有共同偏移的实体数目  
sample\_offset: CT和DT之间的偏移值,CT(n) = DT(n) + CTTS(n).  
  
**2.2.3.3.3.4 Composition to Decode Box(‘cslg’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: No  
Quantity: Zero or one  
  
该box在‘ctts’ Box存在,并且‘ctts’ Box中整形的偏移值被使用时,才会被使用.它用于解释一些由于‘ctts’使用整形偏移值所带来的歧义.  
一般用不到,跳过.

class CompositionToDecodeBox extends FullBox(‘cslg’, version=0, 0) 
    	{
    		signed int(32) compositionToDTSShift;
    		signed int(32) leastDecodeToDisplayDelta;
    		signed int(32) greatestDecodeToDisplayDelta;
    		signed int(32) compositionStartTime;
    		signed int(32) compositionEndTime;
    	}

**2.2.3.3.3.5 Sync Sample Box(‘stss’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: No  
Quantity: Zero or one  
  
这个Box描述了流中的所有I帧的顺序,并且严格按照帧顺序递增.如果这个box不存在,所有的帧都是I帧.stss被认为标记了随机存取点

aligned(8) class SyncSampleBox extends FullBox(‘stss’, version = 0, 0) 
    	{
    		unsigned int(32) entry_count;
    		int i;
    		for (i=0; i < entry_count; i++) 
    		{
    			unsigned int(32) sample_number;
    		}
    	}

entry\_count：流中的I帧数目.如果entry\_count为0,则流中没有I帧?  
sample\_number：给出了流中同步帧的帧号.  
  
**2.2.3.3.3.6 Sample To Chunk Box(‘stsc’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: Yes  
Quantity: Exactly one

aligned(8) class SampleToChunkBox extends FullBox(‘stsc’, version = 0, 0) 
    	{
    		unsigned int(32) entry_count;
    		for (i=1; i <= entry_count; i++) 
    		{
    			unsigned int(32) first_chunk;
    			unsigned int(32) samples_per_chunk;
    			unsigned int(32) sample_description_index;
    		}
    	}

当添加samples到media时,用chunks组织这些sample,这样可以方便优化数据获取.  
一个trunk包含一个或多个sample,chunk的长度可以不同,chunk内的sample的长度也可以不同.  
sample-to-chunk box存储sample与chunk的映射关系.  
  
第一个first chunk减去第二个first chunk就是一共有多少个trunk包含相同的sample数目,  
这样通过不断的叠加,就可以得到一共多少个trunk,每个trunk包含多少个sample,以及每个trunk对应的description.  
  
entry\_count：用于指示下表中有多少个实体  
first\_chunk：用于指示连续的拥有相同sample数的chuck组中的第一个chunk号.chunk号从0开始.  
samples\_per\_chunk：用于指示拥有相同sample数的chuck组中sample数目  
sample\_description\_index：与这些sample关联的sample description的序号  
  
**2.2.3.3.3.7 Chunk Offset Box(‘stco’, ‘co64’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: Yes  
Quantity: Exactly one variant must be present

aligned(8) class ChunkOffsetBox extends FullBox(‘stco’, version = 0, 0) 
    	{
    		unsigned int(32) entry_count;
    		for (i=1; i <= entry_count; i++) 
    		{
    			unsigned int(32) chunk_offset;
    		}
    	}
    	aligned(8) class ChunkLargeOffsetBox	extends FullBox(‘co64’, version = 0, 0) 
    	{
    		unsigned int(32) entry_count;
    		for (i=1; i <= entry_count; i++) 
    		{
    			unsigned int(64) chunk_offset;
    		}
    	}

Chunk offset boxs 定义了每个chunk在媒体流中的位置,它的类型是'stco'.位置有两种可能,32位的和64位的,后者对非常大的电影很有用.  
在一个表中只会有一种可能,这个位置是在整个文件中的,而不是在任何box中的,  
这样做就可以直接在文件中找到媒体数据,而不用解释box.需要注意的是一旦前面的box有了任何改变,这张表都要重新建立,因为位置信息已经改变了.  
  
entry\_count: 下表中给出的entry 个数.  
chunk\_offset: 每个chunk对于media文件的偏移值.  
  
  
**2.2.3.3.3.8 Sample Size Box(‘stsz’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: Yes  
Quantity: Exactly one variant must be present  
  
sample size boxs定义了每个sample的大小,它的类型是'stsz',包含了媒体中全部sample的数目和一张给出每个sample大小的表,  
这样,媒体数据自身就可以没有边框的限制,

aligned(8) class SampleSizeBox extends FullBox(‘stsz’, version = 0, 0) 
    	{
    		unsigned int(32) sample_size;
    		unsigned int(32) sample_count;
    		if (sample_size==0) 
    		{
    			for (i=1; i <= sample_count; i++) 
    			{
    				unsigned int(32) entry_size;
    			}
    		}
    	}

sample\_size: 指明了默认的sample大小,如果所有的帧有相同的大小,这里有值,如果帧有不同的大小,每一帧的值存于接下去的表中,  
sample\_count：整数值给出了track中的帧数目,  
entry\_size：整数值,指明帧的大小,  
  
  
**2.2.3.3.3.9 Compact Sample Size Box(‘stz2’)**  
Container: Sample Table Box (‘stbl’)  
Mandatory: Yes  
Quantity: Exactly one variant must be present  
  
作用同‘stsz’，用简洁格式表示sample的大小。两个sample中可能被"0"填充。

aligned(8) class CompactSampleSizeBox extends FullBox(‘stz2’, version = 0, 0) 
    	{
    		unsigned int(24) reserved = 0;
    		unisgned int(8) field_size;
    		unsigned int(32) sample_count;
    		for (i=1; i <= sample_count; i++) 
    		{
    			unsigned int(field_size) entry_size;
    		}
    	}

field\_size：整形值，指定接下去表中每个entries的位数。该值必须为4,8,16。如果该值为4的话，每个字节如此解释:entry\[i\]<<4 + entry\[i+1\]

## 3. Media Data Box(‘mdat’) ##

Container: File  
Mandatory: No  
Quantity: Zero or more

这个box用于存储实际的媒体数据。在存在视频轨的文件中，box中存的是视频帧数据。一个视频MP4文件可能存在零个或多个mdat Box。如果是零个，说明实际媒体数据存储于另外的文件中。

aligned(8) class MediaDataBox extends Box(‘mdat’)
             {
                   bit(8) data[];
             }

## 4. Free Space Box(‘free’) ##

Container: File or other boxMandatory: NoQuantity: Zero or more

这个box是无关紧要的，用于数据填充，可以删除。在删除时，数据偏移需要重新计算。

aligned(8) class FreeSpaceBox extends Box(free_type) 
             {
                      unsigned int(8) data[];
             }

# 三. Box 简述 #

## **1. ftyp** ##

文件级别的box，描述文件的兼容性

## 2. moov ##

meta信息的容器，无内容

## 3. mvhd ##

文件的timescale，rate，duration，nextTrackId，createTime/modifacationTime

## 4. trak ##

track 信息的容器box

## 5. tkhd ##

track的duration,alternateGroup,trackId。

视频:width/height

音频:volume

## 6. mdia ##

媒体数据容器box

## 7. mdhd ##

数据的duration,timescale

## 8. hdlr ##

数据处理方式,指明video,audio,text等

## 9. minf ##

媒体信息容器

## 10. vmhd ##

指明视频 graphicsMode，opcolor，一般没用

## 11. smhd ##

指明音频的 balance

## 12. stbl ##

sampel table， 容器box

## 13. stsd ##

包含 visual sample entry或者audio sample entry。visual sample entry中有 height,width,framecoute,depth信息。audio sample entry有sampleRate,sampleSize,channelCount等信息.

## 14. stts ##

描述decode时间到sample的关系，根据时间可以得到帧号

## 15. ctts ##

描述cts和dts的差值

## 16. stss ##

描述关键帧号

## 17. stsc ##

描述sample号和chuck序号的映射关系

## 18. stsz ##

描述每一帧大小

## 19. stco ##

描述chuck序号和文件地址偏移关系

# 四. 常用的计算 #

以下转自 [ wqyuwss的专栏 ][wqyuwss]

## 1. 计算电影长度 ##

a. 从Movie Header Box(‘mvhd’) 中找到time scale和duration，duration除以time scale即是整部电影的长度。  
  time scale相当于定义了标准的1秒在这部电影里面的刻度是多少。  
b. 首先计算出共有多少个帧(从 Sample Size Box(‘stsz’)中获得)，然后整部电影的duration = 每个帧的duration之和(从Decoding Time to Sample Box(‘stts’)中得到)

## 2. 计算电影声音采样频率 ##

从 Sample Description Box(‘stsd’)中的AudioSampleEntry获取

## 3. 计算电影图像宽度和高度 ##

从 Sample Description Box(‘stsd’)中的VisualSampleEntry获取

## 4. 计算视频帧率 ##

首先计算出整部电影的duration，和帧的数目。然后“帧率 = 整部电影的duration / 帧的数目”

## 5. 计算电影的比特率 ##

整部电影的尺寸除以长度，即是比特率

## 6. 查找sample ##

当播放一部电影或者一个track的时候，对应的media handler必须能够正确的解析数据流，对一定的时间获取对应的媒体数据。  
   如果是视频媒体， media handler可能会解析多个box，才能找到给定时间的sample的大小和位置。具体步骤如下：  
a．确定时间，相对于媒体时间坐标系统

b．检查time-to-sample box(Decoding Time to Sample Box)来确定给定时间的sample序号。

![SouthEast][]

c．检查sample-to-chunk box(Sample To Chunk Box(‘stsc’))来发现对应该sample的chunk。

![SouthEast 1][]

d．从chunk offset box(Chunk Offset Box(‘stco’, ‘co64’))中提取该trunk的偏移量。

![SouthEast 2][]

e．利用sample size box(Sample Size Box(‘stsz’))找到sample在trunk内的偏移量和sample的大小。

![SouthEast 3][]

例如，如果要找第1秒的视频数据，过程如下：  
a．第1秒的视频数据相对于此电影的时间为600  
b. 检查time-to-sample box(Decoding Time to Sample Box)，得出每个sample的duration是40，从而得出需要寻找第600/40 = 15 + 1 = 16个sample  
c. 检查sample-to-chunk box(Sample To Chunk Box(‘stsc’))，得到该sample属于第5个chunk的第一个sample，该chunk共有4个sample  
d. 检查chunk offset box(Chunk Offset Box(‘stco’, ‘co64’))找到第5个trunk的偏移量是20472  
e. 由于第16个sample是第5个trunk的第一个sample，所以不用检查sample size box(Sample Size Box(‘stsz’))，trunk的偏移量即是该sample的偏移量20472。  
   如果是这个trunk的第二个sample，则从sample size box中找到该trunk的前一个sample的大小，然后加上偏移量即可得到实际位置。  
f. 得到位置后，即可取出相应数据进行解码，播放

## 7. 查找关键帧 ##

查找过程与查找sample的过程非常类似，只是需要利用sync sample box来确定key frame的sample序号  
a. 确定给定时间的sample序号  
b. 检查sync sample box来发现这个sample序号之后的key frame  
c. 检查sample-to-chunk box来发现对应该sample的chunk  
d. 从chunk offset box中提取该trunk的偏移量  
e. 利用sample size box找到sample在trunk内的偏移量和sample的大小

## 8. Random access ##

Seeking主要是利用sample table box里面包含的子box来实现的，还需要考虑edit list的影响。  
   可以按照以下步骤seek某一个track到某个时间T，注意这个T是以movie header box里定义的time scale为单位的：  
   如果track有一个edit list，遍历所有的edit，找到T落在哪个edit里面。将Edit的开始时间变换为以movie time scale为单位，得到EST，T减去EST，  
   得到T'，就是在这个edit里面的duration，注意此时T'是以movie的time scale为单位的。然后将T'转化成track媒体的time scale，得到T''。  
   T''与Edit的开始时间相加得到以track媒体的time scale为单位的时间点T'''。  
   这个track的time-to-sample表说明了该track中每个sample对应的时间信息，利用这个表就可以得到T'''对应的sample NT。  
   sample NT可能不是一个random access point，这样就需要其他表的帮助来找到最近的random access point。  
   一个表是sync sample表，定义哪些sample是random access point。使用这个表就可以找到指定时间点最近的sync sample。  
   如果没有这个表，就说明所有的sample都是synchronization points，问题就变得更容易了。  
   另一个shadow sync box可以帮助内容作者定义一些特殊的samples，它们不用在网络中传输，但是可以作为额外的random access point。  
   这就改进了random access，同时不会影响正常的传输比特率。这个表指出了非random access point和random access point之间的关系。  
   如果要寻找指定sample之前最近的shadow sync sample，就需要查询这个表。总之，利用sync sample和shadow sync表，就可以seek到NT  
   之前的最近的access point sample Nap。  
   找到用于access point的sample Nap之后，利用sample-to-chunk表来确定sample位于哪个chunk内。  
   找到chunk后，使用chunk offset找到这个chunk的开始位置。

使用sample-to-chunk表和sample size表中的数据，找到Nap在此chunk内的位置，再加上此chunk的开始位置，就找到了Nap在文件中的位置。

# 五 ： 简单总结    #

MP4文件的目的是用来播放。在播放器上最常用的动作就是拖动时间条，所以在播放端的驱动是以时间轴计算的。同时MP4是一种文件格式，文件是按帧存储在磁盘上，搜索磁盘以字节为单位。所有媒体格式的基本功能就是需要能从播放时间获取到播放数据。  
  
   为此，MP4格式内容中包括了两部分信息，meta信息("moov")和data信息("mdat")。

由于一个媒体文件多是音视频的混合体，所以在meta的层次上定义了track信息。通过track信息可以得到每条视频或者音频的具体信息。meta最基本的信息就是帧数，timescale，视频宽高，音频通道数。通过这些信息，就可以得到视频长度，每帧的dts，pts等。

所有帧在track内是顺序存放的，如果指定时间，通过timescale信息，可以得到计算中间体帧号。如果有一个表来定义每帧大小或者每帧的起始段，那么通过计算或者查表就可以知道某个时间的帧真实数据。MP4格式设计也是如此。帧的大小一般不大，但文件中的帧数却可能很大。如果只有表格存储每帧大小，那么查找文件尾部的帧，计算量就会很大。如果只有表格来存储每帧起始段，查找起来很快。但是表格本身也需要存入MP4文件中，而且越是文件结尾的帧，存储起始地址需要的存储空间会变大。因此需要在快速查找和存储大小之间找到平衡。

MP4通过把数据分成块(chuck)来解决这个问题。为chuck块来提供直接的文件地址偏移，让帧在truck块中搜索。

# 六 ： 其他    #

## 1. CENC ##

CENC全称为"Common Encryption"，即通用加密方案，这个方案定义于[ISO\_IEC\_23001-7][ISO_IEC_23001-7]（上面这个链接是自己翻译的，需要原版的话自己再找一下）中。通用加密保护规范定义了标准的加密方法和key的匹配方法，目的是让一个或者多个DRM系统能够解密相同的文件（也就是不同的DRM系统之间能够以某种方式兼容）。简单的说这个方案就是把加密MP4数据的KEY，映射成一个KEYID，然后把KEYID和对应的IV存储于MP4数据中。  
这个规范定义了一个通用格式，这种格式只被用于加密“保护流解密所需的必要元数据”。而权限匹配，key的获取和存储，DRM适应性规则，以及DRM系统或者是支持"cenc"的方案等细节都没有涉及。个人的理解是，这个方案是各个DRM厂商博弈的结果。不多说些什么，直接介绍实现该方案需要实现的相关的一些box。

### 1.1 pssh ###

<pre name="code" class="plain">aligned(8) class ProtectionSystemSpecificHeaderBox extends FullBox(‘pssh’, version=0, flags=0)
    {
        unsigned int(8)[16]	SystemID;
        unsigned int(32)	DataSize;
        unsigned int(8)[DataSize]	Data;
    }

SystemID: 内容保护系统的唯一ID。每个DRM厂商只能对应唯一一个ID。在 [DashIF][]上可以查到一些ID和厂商的对应关系。比如：

Adobe：	         F239E769-EFA3-4850-9C16-A903C6932EFB
    DIVX:   	 35BF197B-530E-42D7-8B65-1B4BF415070F
    Microsoft:       9a04f079-9840-4286-ab92-e65be0885f95

DataSize:  指定Data域的数据长度.   
Data:  不同保护系统自定义的数据. 由各个DRM厂商自定义。

### 1.2 encv/enca/enct/encs: ###

这几个box只是未加密的box的简单代替。如'mp4v'被'encv'所代替，'mp4a'被'enca'所代替.

### 1.3 schm: ###

"schm"定义了MP4的保护或者限制方案。很明显MP4的保护方案不止"CENC"。

aligned(8) class SchemeTypeBox extends FullBox('schm', 0, flags)
    { 
        unsigned int(32) scheme_type; // 4CC identifying the scheme unsigned int(32) scheme_version; // scheme version
        if (flags & 0x000001)
       {
           unsigned int(8)	scheme_uri[];	// browser uri
       }
    }

scheme\_type：一个代码用于定义保护或限制方案. 对于CENC方案来说，scheme\_type的值就是“cenc”.  
scheme\_version：方案的版本号（用于创建内容）  
scheme\_URI：一个选项，用来指引用户链接到方案的web页面，如果在用户的机器上没有安装这个方案的话。它是一个UTF-8编码的"\\0"结尾的绝对路径。

### 1.4 schi: ###

schi"是一个容器box，仅用来解释所使用的方案。任何加密或者限制系统的信息必须存储在这里。这个box的内容是一系列的box，它们的类型和格式由"schm"box来定义。

aligned(8) class SchemeInformationBox extends Box('schi')
    {
     		Box	scheme_specific_data[];
    }

对于“cenc”方案来说，schi下的box为"tenc"。

### 1.5 tenc： ###

"tenc"box包含了整条加密轨，所使用的默认"IsEncrypted","IV\_size","KID"值。当然如果帧进行分组，那么组的参数可能会覆盖轨的参数。如果文件中的每条轨只使用一个key去加密的话，那么这个box可以用来保存加密的基本参数，这样可以不必为轨中的每个帧单独指定加密参数。

aligned(8) class TrackEncryptionBox extends FullBox(‘tenc’, version=0, flags=0)
    {
    		unsigned int(24)	default_IsEncrypted;
    		unsigned int(8)	  default_IV_size; 
    		unsigned int(8)[16]	default_KID;
    }

default\_IsEncypted：表示轨中每一帧默认的加密状态。

default\_IV\_size：表示默认的初始化向量。

default\_KID：表示轨中所有帧的默认key的标识。

### 1.6 sgpd： ###

这个box用来描述MP4文件中的帧的分组信息，即包含了些什么样的组。比如说可以为帧的加密进行分组，可以为帧的显示的层次进行分组。这个box只描述分组，至于分组中帧的具体信息则由"sbgp"提供。

// Sequence Entry
    abstract class SampleGroupDescriptionEntry (unsigned int(32) grouping_type)
    {
    }
    
    abstract class VisualSampleGroupEntry (unsigned int(32) grouping_type) extends SampleGroupDescriptionEntry (grouping_type)
    {
    }
    
    abstract class AudioSampleGroupEntry (unsigned int(32) grouping_type) extends SampleGroupDescriptionEntry (grouping_type)
    {
    }
    
    abstract class HintSampleGroupEntry (unsigned int(32) grouping_type) extends SampleGroupDescriptionEntry (grouping_type)
    {
    }
     
    aligned(8) class SampleGroupDescriptionBox (unsigned int(32) handler_type) extends FullBox('sgpd', version, 0)
    {
       unsigned int(32) grouping_type;
       if (version==1) { unsigned int(32) default_length; } unsigned int(32) entry_count;
       int i;
       for (i = 1 ; i <= entry_count ; i++)
       {
          if (version==1) 
          {
             if (default_length==0) 
             {
                unsigned int(32) description_length;
             }
          }
          switch (handler_type)
          {
             case ‘vide’: // for video tracks VisualSampleGroupEntry (grouping_type); break;
             case ‘soun’: // for audio tracks AudioSampleGroupEntry(grouping_type); break;
             case ‘hint’: // for hint tracks HintSampleGroupEntry(grouping_type); break;
          }
       }
    }

version: 一个整数用来表示box的版本号  
grouping\_type: 一个整数用来表示分组类型。相互关联的"sgpd"和"sbgp"中的值必须一致。 对于"CENC"方案来说，”grouping\_type“值为”seig“.  
entry\_count：表示接下去的表中的实例个数。  
default\_length：表示每个分组实例的长度(如果长度是个常数)，或者0，表示长度为变量。

description\_length: 表示每个独立的组实体的长度，因此每个实例的长度会不一致。此时default\_length域的取值必须为0.

### 1.7 sbgp： ###

这个box定义了每种具体分组下帧的信息，如每个分组下有多少帧，那些帧。

aligned(8) class SampleToGroupBox extends FullBox(‘sbgp’, version, 0)
    {
        unsigned int(32)	grouping_type; if (version == 1) 
        {
            unsigned int(32) grouping_type_parameter;
        }
        unsigned int(32)	entry_count; for (i=1; i <= entry_count; i++)
        {
            unsigned int(32)	sample_count;
            unsigned int(32)	group_description_index;
        }
    }

version: 整形值，非0即1.用于指定box的版本  
grouping\_type：整形值，用于标识帧集的类型(划分组的依据)，通过它可以关联到帧集的描述表中的相同的组类型值。对于一个轨来说，具有相同grouping\_type值（如果使用grouping\_type\_parameter也是一样）的"sbgp"box只能出现一次。  
grouping\_type\_parameter：组的子类型标志  
entry\_count：整形值，给出了下表的实例数

sample\_count：整形值，具有相同帧集标识的连续帧的数目。如果"sbgp"box中帧的总数量小于帧的总数，那么使用者认为剩下的所有帧都是不分组的。如果"sbgp"box中帧的总数量大于帧的总数，这种行为被认为是个错误。使用者可以自定义行为。

### 1.8 saiz： ###

这个box给出了每个帧的辅助信息的长度和格式信息。但是具体数据的存储位置则由saio表述。对于cenc方案来说，帧的辅助信息就是每个帧是否加密，加密数据使用的KEYID，对应的IV。

aligned(8) class SampleAuxiliaryInformationSizesBox extends FullBox(‘saiz’, version = 0, flags)
    {
        if (flags & 1)
        {
            unsigned int(32) aux_info_type;   unsigned int(32) aux_info_type_parameter;
        }
        unsigned int(8) default_sample_info_size; unsigned int(32) sample_count;
        if (default_sample_info_size == 0) 
        {
            unsigned int(8) sample_info_size[ sample_count ];
        }
    }

</pre><pre code_snippet_id="411503" snippet_file_name="blog_20150721_43_6216647" name="code" class="plain">

### 1.9 saio： ###

这个box给出了帧辅助信息存储位置，也就是该信息在MP4文件中的偏移。在通用加密方式下指向了”senc“box.

class SampleAuxiliaryInformationOffsetsBox extends FullBox(‘saio’, version, flags)
    {
        if (flags & 1) 
        {
            unsigned int(32) aux_info_type;   unsigned int(32) aux_info_type_parameter;
        }
        unsigned int(32) entry_count; if ( version == 0 ) 
        {
            unsigned int(32) offset[ entry_count ];
        }
        else 
        {
            unsigned int(64) offset[ entry_count ];
        }
    }

"aux\_info\_type"：一个整数用来定义帧辅助信息的类型。在"saiz"box中，具有相同"aux\_info\_type"和"aux\_info\_\_type\_parameter"的对的实例只能存在一个。  
"aux\_info\_\_type\_parameter"： 用于区别轨中具有相同"aux\_info\_type"值的流。"aux\_info\_\_type\_parameter"的语义由"aux\_info\_type"的值决定。  
"entry\_count"给出接下去表中的实体个数。如果"saio"box出现在"stbl"中时，那么这个值要么为1，要么必须和"stco", "co64"box里的实体数的值一致。如果"saio"box出现在"traf"中时，那么这个值要么为1，要么必须和"trun"box里的实体数的值一致。

“offset”给出了文件中的辅助信息在每个块或者"trun"中的位置。如果“entry\_count”的值为1，那么对于所有块的或者"trun"的帧辅助信息在块中或者"trun"中必须连续。如果"saio"box出现在"stbl"中时，那么偏移值是绝对值。如果在"trun"中，那么值是相对于同一个track中的fragment“tfhd”的偏移值。

### 1.10 senc： ###

该box定义于HbbTV-specification-1-5中，严格意义上来说这只是一个电视台的私有标准，但事实上已经成为行业的默认行为。

aligned(8) class SampleEncryptionBox extends FullBox(„senc‟, version=0, flags=0) 
    {
        unsigned int(32) sample_count;											
        {
            unsigned int(IV_size*8) InitializationVector; 
            if (flags & 0x000002)
            {	
                unsigned int(16) subsample_count;
                {
                    unsigned int(16) BytesOfClearData;
                    unsigned int(32) BytesOfEncryptedData;
                } [ subsample_count ]
            }
        }[ sample_count ]
    }

sample\_count: 帧的数目  
InitializationVector： 初始化IV  
subsample\_count：子帧的数目，就是把一帧化为多个部分。这里需要注意的是，所哟NAL头和子帧大小必须是明文。  
BytesOfClearData：明文字节数

BytesOfEncryptedData：密文字节数

## 2. MP4存储其他流 ##

### 2.1 "esds" ###

见 [ MP4 esds box解析][MP4 esds box]

## 3. IODS ##

box的定义可能在《MPEG-4 Part 11》中，没有找到相关的下载。《MPEG-4 Part 11》的介绍见百度百科[MPEG-4 Part 11][]。

找到一篇[Object Descriptor Framework][]描述的文章，帮助理解。

## 4. ISMA ##

MP4里和其相关的只有hint box，是MP4格式对于RTP协议的兼容性体现，可参考百度百科中的 [ISMA][]部分。看意思是，在采用RTP协议时，采用MEPG2的TS方案比采用ISMA标准的MP4方案更好。开源项目 [MPEG4IP][]实现了一个ISMA的实现，可以参考。

## 5. [ LASeR][LASeR](Lightweight Application Scene Representation) ##

定义在MPEG-4 Part 20中，对应协议文档没有找到。wiki上说这是一个rich media(又说interactive media)标准，主要用于移动，嵌入式，消费电子设备中。LASeR基于SVG Tiny标准，并且添加动态更新功能和二进制压缩格式。LASeR可处理的内容包括文本，图片，动画，视频，音频，游戏等等。对应的媒体格式为SAF(Simple Aggregation Format), 注意不同于 [ASF（Advance Stream Format）][ASF_Advance Stream Format]。

## 6. AVCC( AVCDecoderConfigurationRecord) ##

AVCC box用于存储H264流的sps和pps参数, 定义在 《ISO\_IEC\_14496-15》中。可参考 [H264—MP4格式及在MP4文件中提取H264的SPS、PPS及码流][H264_MP4_MP4_H264_SPS_PPS]

AVCDecoderConfigurationRecord
    
    // Visual Sequences 
    class AVCConfigurationBox extends Box(‘avcC’)
    {  
    	AVCDecoderConfigurationRecord() AVCConfig;
    }
    
    class MPEG4BitRateBox extends Box(‘btrt’)
    { 
    	unsigned int(32) bufferSizeDB;
    	unsigned int(32) maxBitrate;
    	unsigned int(32) avgBitrate; 
    }
    
    class MPEG4ExtensionDescriptorsBox extends Box(‘m4ds’)
    {  
    	Descriptor Descr[0 .. 255]; 
    }
    
    class AVCSampleEntry() extends VisualSampleEntry (‘avc1’)
    { 
    	AVCConfigurationBox config;
    	MPEG4BitRateBox ();      // optional  
    	MPEG4ExtensionDescriptorsBox (); // optional 
    }

## 7. 音频 mp4a ##

用于存储音频编码格式和参数。如对于AAC格式，存储转换过的ADTS头信息。

aligned(8) class ESDBox   extends FullBox(‘esds’, version = 0, 0)
    {  
    	ES_Descriptor ES;
    }  
    
    // Audio Streams  class MP4AudioSampleEntry() extends AudioSampleEntry ('mp4a')
    {  
    	ESDBox ES; 
    }

其中音频的ESDBox见《ISO\_IEC\_14496-3》中“AudioSpecificConfig”定义。

# 七 ： 资料链接 #

1.  [wqyuwss的专栏][wqyuwss]

2. [zhuweigangzwg的专栏][zhuweigangzwg]

3. [mp4文件格式解析][mp4]

4.  [MP4文件格式的解析，以及MP4文件的分割算法][MP4_MP4]

5.  [QuickTime File Format Specification][]

6. [ ISO/IEC14496-12][ISO_IEC14496-12]

7. [http://www.mp4ra.org/object.html][http_www.mp4ra.org_object.html]

8.[多媒体封装格式详解][Link 1]

[wqyuwss]: http://www.52rd.com/Blog/wqyuwss/559/1/
[SouthEast]: /images/20220823/463a3d4edc164b0cbac23c92eed5f100.png
[SouthEast 1]: /images/20220823/45ca4d4bd6d84adca587df819b259024.png
[SouthEast 2]: /images/20220823/bc17b1b0e4484659aca7970201bfaa40.png
[SouthEast 3]: /images/20220823/2028610ad4524eddbb30bb78fa3bccba.png
[ISO_IEC_23001-7]: http://download.csdn.net/detail/arau_sh/8919253
[DashIF]: http://dashif.org/identifiers/protection/
[MP4 esds box]: http://blog.csdn.net/velanjun/article/details/17118917
[MPEG-4 Part 11]: http://baike.baidu.com/link?url=8eK9Tty91gwBbp4UdEyxP2MUpmnGwbpbGx3WzPy11jZyJ3A6VENEm50-hIoY8ELNlgPrQehLPmbqaDX7woKyoK
[Object Descriptor Framework]: http://gpac.sourceforge.net/tutorial/bifs_part3.htm
[ISMA]: http://baike.baidu.com/link?url=OTjs1dUBHNbwH3lQG4Wadk3NGFz0-3KmUC_a9PsoRdNQaEk1i0XocLllBwK0BdAW8QY-yoQH7MAXgSs5EB8nV_
[MPEG4IP]: http://sourceforge.net/projects/mpeg4ip-ng/
[LASeR]: https://en.wikipedia.org/wiki/MPEG-4_Part_20
[ASF_Advance Stream Format]: http://blog.csdn.net/arau_sh/article/details/18268541
[H264_MP4_MP4_H264_SPS_PPS]: http://www.cnblogs.com/skyseraph/archive/2012/04/01/2429384.html
[zhuweigangzwg]: http://blog.csdn.net/zhuweigangzwg?viewmode=contents
[mp4]: http://wmnmtm.blog.163.com/blog/static/382457142011629523934/
[MP4_MP4]: http://www.cnblogs.com/haibindev/archive/2011/10/17/2214518.html
[QuickTime File Format Specification]: https://developer.apple.com/library/mac/documentation/QuickTime/QTFF/QTFFChap2/qtff2.html
[ISO_IEC14496-12]: http://standards.iso.org/ittf/PubliclyAvailableStandards/index.html
[http_www.mp4ra.org_object.html]: http://www.mp4ra.org/object.html
[Link 1]: http://blog.csdn.net/tx3344/article/details/8506131