在VR视频通过CDN大规模分发时，原始全景视频若不做任何处理直接推送，会造成极大的带宽冗余。行业通常先将球面视频投影到特定几何体表面，再按几何体面进行切片存储与分发。六面体投影与八面体投影是两类主流方案，它们在几何映射、切片粒度及边缘处理上各有特点，直接影响CDN的缓存命中率与终端解码效率。
六面体投影的几何原理与切片方式
六面体投影（Cubemap）是将360度球面视频映射到正方体的六个面上，每个面代表一个正交视角的正方形区域。这种投影方式历史悠久，主流渲染引擎如OpenGL、Unity都原生支持，因此转码端可以用现成的立方体贴图工具直接生成。在CDN侧，最直观的做法是把六个面当作六个独立视频流或六个大文件块，按时间切TS或MP4分片后分别缓存到边缘节点。
从实现角度看，六面体切片的优点是面与面之间边界清晰，几乎没有面内扭曲，用户转动头部时若视野落在一个面内，只需拉取对应面的分片即可。但六面体在八个顶角处会出现三面体交汇，若不做接缝融合，头显里会看到明显裂缝。工程上常用稍微扩大每个面边缘采样区来重叠覆盖，代价是单面存储增加约5%到10%。
下面是一段将等距柱状全景图转为六面体六个面图像的Python伪代码，实际CDN转码集群常用FFmpeg的cube滤镜替代，但逻辑一致：
import numpy as np
def equirect_to_cubemap(equ_img, face_size=1024):
h, w, _ = equ_img.shape
faces = {}
# 六个面方向向量
directions = {
'front': (0, 0, 1),
'back': (0, 0, -1),
'left': (-1, 0, 0),
'right': (1, 0, 0),
'top': (0, 1, 0),
'bottom': (0, -1, 0)
}
for name, d in directions.items():
# 构造该面像素对应的球面坐标并采样
face = np.zeros((face_size, face_size, 3))
for y in range(face_size):
for x in range(face_size):
# 简化映射，真实实现需用立方体射线相交
u = (x / face_size - 0.5) * 2
v = (y / face_size - 0.5) * 2
vec = np.array([u * d[0], v * d[1], d[2]])
vec = vec / np.linalg.norm(vec)
lon = np.arctan2(vec[0], vec[2])
lat = np.arcsin(vec[1])
src_x = int((lon / np.pi + 1) * 0.5 * w)
src_y = int((lat / (np.pi/2) + 1) * 0.5 * h)
face[y, x] = equ_img[src_y, src_x]
faces[name] = face
return faces
在CDN缓存设计上，六面体的六个面可分别设定不同缓存优先级。例如多数用户初始视角集中在front与top，边缘节点可对这两个面做内存级缓存，其余面放磁盘。这样在直播场景中，Origin只需推送变化面，边缘按面回源，带宽比整球下发节省六成以上。
八面体投影的结构优势与处理难点
八面体投影（Octahedron projection）使用正八面体的八个三角面来逼近球面。相比六面体，它在顶点数上更少，总表面积更接近球面，因此整体畸变略低，尤其适合视野快速转动的VR直播。八面体展开后通常是一个正方形中包含四个三角形对，或拆成上下两个四边形带，CDN切片时可按三角形区域做更细粒度分发。
但八面体切片的难点在于三角面上的像素密度不均匀，越靠近三角形中心越稀疏，边缘越密。如果直接按面等分视频块，终端解码时会出现局部模糊。通常做法是在转码阶段对八面体做自适应分辨率重采样，再用DASH的Representation描述每个三角片的码率。CDN只需根据用户终端的Viewport预测，下发对应三角片子集。
以下示例展示如何用FFmpeg把全景视频转成八面体布局并切片为多个动态轨道，供CDN边缘按需求拉取：
ffmpeg -i input_360.mp4 -vf "v360=input=e:output=octa" -c:v libx264 -crf 23 -f dash -seg_duration 2 octa.mpd
注意上面命令中v360滤镜的output=octa即指定八面体投影。生成的octa.mpd中每个Segment可对应一个三角面时间块。CDN同步该MPD及切片文件后，客户端通过Viewport预测API只请求可见三角面，边缘命中率在高并发下比六面体提升约15%，因为八面体面数多、单面体积小，更易填满边缘存储。
CDN分发策略与两种投影的对比实践
在真实CDN架构中，无论六面体还是八面体，核心思路都是化整为零。边缘节点不缓存完整VR视频，而是缓存投影后的面或三角片，并配合低延迟协议如LL-HLS或DASH CMAF。当终端上报头部姿态，调度系统计算出所需面集合，回源仅拉取缺失分片。六面体因面少、单面大，适合带宽充裕且终端算力弱的场景；八面体面多、单面小，适合视野变化剧烈的高端头显。
我们可用一张简表对比两者在CDN中的关键指标：
| 投影类型 | 面数 | 单面畸变 | 边缘接缝处理 | CDN缓存粒度 |
|---|---|---|---|---|
| 六面体 | 6 | 中 | 需重叠采样 | 粗（整面） |
| 八面体 | 8 | 低 | 三角边融合 | 细（三角片） |
实践中还有混合方案：用六面体做首屏秒开的基础面，八面体做视野深化补充。CDN边缘可设两层缓存，热面用六面体快速起播，用户转头后再补八面体高清片。这种策略在大型VR演唱会直播中已验证可将平均卡顿率压到1%以下。归根结底，选哪种投影切片，要看终端能力、网络状况与内容互动强度，而非单纯追求几何最优。
最后要提醒，转码集群输出投影切片时务必在元数据里写明投影类型与面序，否则CDN缓存键会错乱。例如用@projection=cube或@projection=octa作为URL参数前缀，边缘依据参数分流，能大幅降低回源冲突。随着视场预测算法成熟，按投影切片的VR视频分发会成为CDN标准能力，提前理清六面与八面差异对架构演进很有价值。
CDNVR_video_projectioncubemap_octahedron修改时间：2026-08-17 23:22:38