徐 辉，王晓东，王让定，章联军

（宁波大学信息科学与工程学院，浙江 宁波315000）

1 概述

随着数字多媒体通信与传输技术的发展，视频会议、远程教学、视频点播等多媒体服务已经广泛应用于生活的各个方面。然而在网络传输过程中会受到复杂网络坏境的干扰，如网络延时、抖动等因素［1］，导致多媒体出现不同步的现象，而音视频同步作为其中的一个关键性技术越来越多地受到人们的关注。

为了解决音视频同步问题，传统的非嵌入式音视频同步方案有基于时间戳［2］和同步标记［3］来实现的；也有借助多线程和多路复用思想［4］，在接收端把音视频流分开，但复用后的音视频流解码会使得音视频流的质量严重下降。国际上，针对视频会议和可视电话等应用中的同步问题，相关学者提出了包括语音辅助视频插补［5］、交叉模式预测编码［5］及同步视频帧自动生成［6－7］等方法，该类算法中人的嘴部定位较难，且需要人参与。

以上非嵌入式的音视频同步方案对解码器要求较高，且算法复杂度较高。针对这个问题，近年来有很多学者借鉴基于H．264的信息隐藏和视频水印的思想，将音频信息嵌入视频中进行同步编码，在解码端提取音频编码数据并重构音频，最终实现同步。如文献［8－9］通过修改离散余弦变换（Discrete Cosine Transform，DCT）系数建立待嵌音频信息与DCT系数之间的映射关系，但该类方案会因系数的修改而造成视频码率失真较大。为此，文献［10］在H．264运动估计的过程中通过调制1／4像素精度的最优运动搜索点的奇偶性建立相应匹配关系，降低了对视频质量的影响，但同时会引起帧间失真漂移。……