iOS8 Core Image In Swift：视频实时滤镜

iOS8 Core Image In Swift：自己主动改善图像以及内置滤镜的使用

iOS8 Core Image In Swift：更复杂的滤镜

iOS8 Core Image In Swift：人脸检測以及马赛克

iOS8 Core Image In Swift：视频实时滤镜

在Core Image之前，我们尽管也能在视频录制或照片拍摄中对图像进行实时处理，但远没有Core Image使用起来方便。我们稍后会通过一个Demo回想一下曾经的做法，在此之前的样例都能够在模拟器和真机中測试，而这个样例由于会用到摄像头，所以仅仅能在真机上測试。

视频採集

我们要进行实时滤镜的前提，就是对摄像头以及UI操作的全然控制，那么我们将不能使用系统提供的Controller。须要自己去绘制一切。先建立一个Single View Applicationproject（我命名名RealTimeFilter），还是在Storyboard里关掉Auto Layout和Size Classes。然后放一个Button进去，Button的事件连到VC的openCamera方法上。然后我们给VC加两个属性：class ViewController: UIViewController , AVCaptureVideoDataOutputSampleBufferDelegate {

var captureSession: AVCaptureSession!

var previewLayer: CALayer!

......

一个previewLayer用来做预览窗体，另一个AVCaptureSession则是重点。

除此之外，我还对VC实现了AVCaptureVideoDataOutputSampleBufferDelegate协议，这个会在后面说。 要使用AV框架，必须先引入库：import AVFoundation

在viewDidLoad里实现例如以下：override func viewDidLoad() {

super.viewDidLoad()

previewLayer = CALayer()

previewLayer.bounds = CGRectMake(0, 0, self.view.frame.size.height, self.view.frame.size.width);

previewLayer.position = CGPointMake(self.view.frame.size.width / 2.0, self.view.frame.size.height / 2.0);

previewLayer.setAffineTransform(CGAffineTransformMakeRotation(CGFloat(M_PI / 2.0)));

self.view.layer.insertSublayer(previewLayer, atIndex: 0)

setupCaptureSession()

}

这里先对previewLayer进行初始化，注意bounds的宽、高和设置的旋转，这是由于AVFoundation产出的图像是旋转了90度的。所以这里预先调整过来，然后把layer插到最下面，全屏显示，最后调用初始化captureSession的方法：func setupCaptureSession() {

captureSession = AVCaptureSession()

captureSession.beginConfiguration()

captureSession.sessionPreset = AVCaptureSessionPresetLow

let captureDevice = AVCaptureDevice.defaultDeviceWithMediaType(AVMediaTypeVideo)

let deviceInput = AVCaptureDeviceInput.deviceInputWithDevice(captureDevice, error: nil) as AVCaptureDeviceInput

if captureSession.canAddInput(deviceInput) {

captureSession.addInput(deviceInput)

}

let dataOutput = AVCaptureVideoDataOutput()

dataOutput.videoSettings = [kCVPixelBufferPixelFormatTypeKey : kCVPixelFormatType_420YpCbCr8BiPlanarFullRange]

dataOutput.alwaysDiscardsLateVideoFrames = true

if captureSession.canAddOutput(dataOutput) {

captureSession.addOutput(dataOutput)

}

let queue = dispatch_queue_create("VideoQueue", DISPATCH_QUEUE_SERIAL)

dataOutput.setSampleBufferDelegate(self, queue: queue)

captureSession.commitConfiguration()

}

从这种方法開始，就算正式開始了。

首先实例化一个AVCaptureSession对象，AVFoundation基于会话的概念，会话（session）被用于控制输入到输出的过程
beginConfiguration与commitConfiguration总是成对调用，当后者调用的时候，会批量配置session，且是线程安全的，更重要的是，能够在session执行中执行，总是使用这对方法是一个好的习惯

然后设置它的採集质量。除了AVCaptureSessionPresetLow以外还有非常多其它选项，感兴趣能够自己看看。
获取採集设备，默认的摄像设备是后置摄像头。
把上一步获取到的设备作为输入设备加入到当前session中。先用canAddInput方法推断一下是个好习惯。
加入完输入设备后再加入输出设备到session中，我在这里加入的是AVCaptureVideoDataOutput。表示视频里的每一帧。除此之外，还有AVCaptureMovieFileOutput（完整的视频）、AVCaptureAudioDataOutput（音频）、AVCaptureStillImageOutput（静态图）等。关于videoSettings属性设置，能够先看看文档说明：



后面有写到尽管videoSettings是指定一个字典，可是眼下仅仅支持kCVPixelBufferPixelFormatTypeKey，我们用它指定像素的输出格式，这个參数直接影响到生成图像的成功与否，由于我打算先做一个实时灰度的效果，所以这里使用kCVPixelFormatType_420YpCbCr8BiPlanarFullRange的输出格式。关于这个格式的具体说明，能够看最后面的參数资料3（YUV的维基）。

后面设置了alwaysDiscardsLateVideoFrames參数，表示丢弃延迟的帧；相同用canAddInput方法推断并加入到session中。
最后设置delegate回调（AVCaptureVideoDataOutputSampleBufferDelegate协议）和回调时所处的GCD队列。并提交改动的配置。

我们如今完毕一个session的建立过程，但这个session还没有開始工作，就像我们訪问数据库的时候，要先打开数据库---然后建立连接---訪问数据---关闭连接---关闭数据库一样。我们在openCamera方法里启动session：

@IBAction func openCamera(sender: UIButton) {

sender.enabled = false

captureSession.startRunning()

}

session启动之后，不出意外的话。回调就開始了，并且是实时回调（这也是为什么要把delegate回调放在一个GCD队列中的原因），我们处理

optional func captureOutput(captureOutput: AVCaptureOutput!, didOutputSampleBuffer sampleBuffer: CMSampleBuffer!, fromConnection connection: AVCaptureConnection!)

这个回调就能够了：

Core Image之前的方式

func captureOutput(captureOutput: AVCaptureOutput!,

didOutputSampleBuffer sampleBuffer: CMSampleBuffer!,

fromConnection connection: AVCaptureConnection!) {

let imageBuffer = CMSampleBufferGetImageBuffer(sampleBuffer)

CVPixelBufferLockBaseAddress(imageBuffer, 0)

let width = CVPixelBufferGetWidthOfPlane(imageBuffer, 0)

let height = CVPixelBufferGetHeightOfPlane(imageBuffer, 0)

let bytesPerRow = CVPixelBufferGetBytesPerRowOfPlane(imageBuffer, 0)

let lumaBuffer = CVPixelBufferGetBaseAddressOfPlane(imageBuffer, 0)

let grayColorSpace = CGColorSpaceCreateDeviceGray()

let context = CGBitmapContextCreate(lumaBuffer, width, height, 8, bytesPerRow, grayColorSpace, CGBitmapInfo.allZeros)

let cgImage = CGBitmapContextCreateImage(context)

dispatch_sync(dispatch_get_main_queue(), {

self.previewLayer.contents = cgImage

})

}

当数据缓冲区的内容更新的时候，AVFoundation就会立即调这个回调，所以我们能够在这里收集视频的每一帧，经过处理之后再渲染到layer上展示给用户。

首先这个回调给我们了一个CMSampleBufferRef类型的sampleBuffer。这是Core Media对象。我们能够通过CMSampleBufferGetImageBuffer方法把它转成Core Video对象。
然后我们把缓冲区的base地址给锁住了，锁住base地址是为了使缓冲区的内存地址变得可訪问。否则在后面就取不到必需的数据，显示在layer上就仅仅有黑屏。更具体的原因能够看这里：
http://stackoverflow.com/questions/6468535/cvpixelbufferlockbaseaddress-why-capture-still-image-using-avfoundation
接下来从缓冲区取图像的信息，包括宽、高、每行的字节数等
由于视频的缓冲区是YUV格式的。我们要把它的luma部分提取出来
我们为了把缓冲区的图像渲染到layer上。须要用Core Graphics创建一个颜色空间和图形上下文，然后通过创建的颜色空间把缓冲区的图像渲染到上下文中
cgImage就是从缓冲区创建的Core Graphics图像了（CGImage），最后我们在主线程把它赋值给layer的contents予以显示
如今在真机上编译、执行，应该能看到例如以下的实时灰度效果：


（这张图是通过手机截屏获取的，容易手抖。所以不是非常清晰）

用Core Image处理

通过以上几步能够看到，代码不是非常多，没有Core Image也能处理。可是比較费劲，难以理解、不好维护。假设想多添加一些效果（这仅仅是一个灰度效果），代码会变得非常臃肿，所以拓展性也不好。事实上，我们想通过Core Image改造上面的代码也非常easy，先从加入CIFilter和CIContext開始。这是Core Image的核心内容。在VC上新增两个属性：var filter: CIFilter!

lazy var context: CIContext = {

let eaglContext = EAGLContext(API: EAGLRenderingAPI.OpenGLES2)

let options = [kCIContextWorkingColorSpace : NSNull()]

return CIContext(EAGLContext: eaglContext, options: options)

}()

申明一个CIFilter对象，不用实例化。懒载入一个CIContext。这个CIContext的实例通过contextWithEAGLContext:方法构造。和我们之前所使用的不一样，尽管通过contextWithOptions:方法也能构造一个GPU的CIContext，但前者的优势在于：渲染图像的过程始终在GPU上进行，并且永远不会复制回CPU存储器上，这就保证了更快的渲染速度和更好的性能。

实际上。通过contextWithOptions:创建的GPU的context。尽管渲染是在GPU上执行，可是其输出的image是不能显示的。 仅仅有当其被复制回CPU存储器上时，才会被转成一个可被显示的image类型，比方UIImage。

我们先创建了一个EAGLContext，再通过EAGLContext创建一个CIContext。并且通过把working color space设为nil来关闭颜色管理功能，颜色管理功能会减少性能，并且仅仅有当对颜色保真度要求非常高的时候才须要颜色管理功能，在其它情况下，特别是实时处理中，颜色保真都不是特别重要（性能第一，视频帧延迟非常高的app大家都不会喜欢的）。

然后我们把session的配置过程略微改动一下。仅仅改动一处代码就可以：kCVPixelFormatType_420YpCbCr8BiPlanarFullRange

替换为

kCVPixelFormatType_32BGRA

我们把上面那个难以理解的格式替换为BGRA像素格式，大多数情况下用此格式就可以。

再把session的回调进行一些改动，变成我们熟悉的方式，就像这样：

func captureOutput(captureOutput: AVCaptureOutput!,

didOutputSampleBuffer sampleBuffer: CMSampleBuffer!,

fromConnection connection: AVCaptureConnection!) {

let imageBuffer = CMSampleBufferGetImageBuffer(sampleBuffer)

// CVPixelBufferLockBaseAddress(imageBuffer, 0)

// let width = CVPixelBufferGetWidthOfPlane(imageBuffer, 0)

// let height = CVPixelBufferGetHeightOfPlane(imageBuffer, 0)

// let bytesPerRow = CVPixelBufferGetBytesPerRowOfPlane(imageBuffer, 0)

// let lumaBuffer = CVPixelBufferGetBaseAddressOfPlane(imageBuffer, 0)

//

// let grayColorSpace = CGColorSpaceCreateDeviceGray()

// let context = CGBitmapContextCreate(lumaBuffer, width, height, 8, bytesPerRow, grayColorSpace, CGBitmapInfo.allZeros)

// let cgImage = CGBitmapContextCreateImage(context)

var outputImage = CIImage(CVPixelBuffer: imageBuffer)

if filter != nil {

filter.setValue(outputImage, forKey: kCIInputImageKey)

outputImage = filter.outputImage

}

let cgImage = context.createCGImage(outputImage, fromRect: outputImage.extent())

dispatch_sync(dispatch_get_main_queue(), {

self.previewLayer.contents = cgImage

})

}

这是一段拓展性、维护性都比較好的代码了：

先拿到缓冲区，看从缓冲区直接取到一张CIImage
假设指定了滤镜，就应用到图像上；反之则显示原图
通过context创建CGImage的实例
在主队列中显示到layer上
在此基础上，我们仅仅用加入一些滤镜就能够了。先在Storyboard上加入一个UIView，再以这个UIView作容器。往里面加四个button，从0到3设置button的tag，并把button们的事件全部连接到VC的applyFilter方法上，UI看起来像这样：


把这个UIView（buttons的容器）连接到VC的filterButtonsContainer上。再加入一个字符串数组，存储一些滤镜的名字。终于VC的全部属性例如以下：class ViewController: UIViewController , AVCaptureVideoDataOutputSampleBufferDelegate {

@IBOutlet var filterButtonsContainer: UIView!

var captureSession: AVCaptureSession!

var previewLayer: CALayer!

var filter: CIFilter!

lazy var context: CIContext = {

let eaglContext = EAGLContext(API: EAGLRenderingAPI.OpenGLES2)

let options = [kCIContextWorkingColorSpace : NSNull()]

return CIContext(EAGLContext: eaglContext, options: options)

}()

lazy var filterNames: [String] = {

return ["CIColorInvert","CIPhotoEffectMono","CIPhotoEffectInstant","CIPhotoEffectTransfer"]

}()

......

在viewDidLoad方法中先隐藏滤镜按钮们的容器： ......

filterButtonsContainer.hidden = true

​......

改动openCamera方法。终于实现例如以下：@IBAction func openCamera(sender: UIButton) {

sender.enabled = false

captureSession.startRunning()

self.filterButtonsContainer.hidden = false

}

最后applyFilter方法的实现：@IBAction func applyFilter(sender: UIButton) {

var filterName = filterNames[sender.tag]

filter = CIFilter(name: filterName)

}

至此，我们就大功告成了，赶紧在真机上编译、执行看看吧：

保存到图库

接下来我们加入拍照功能。

首先我们在VC上加入一个名为“拍照”的button。连接到VC的takePicture方法上，在实现方法之前。有几步改造工作要先做完。首先就是图像元数据的问题，一张图像可能包括定位信息、图像格式、方向等元数据。而方向是我们最关心的部分。在上面的viewDidLoad方法中，我是通过将previewLayer进行旋转使我们看到正确的图像，可是假设直接将图像保存在图库或文件里。我们会得到一个方向不对的图像，为了终于获取方向正确的图像，我把previewLayer的旋转去掉：

......

previewLayer = CALayer()

// previewLayer.bounds = CGRectMake(0, 0, self.view.frame.size.height, self.view.frame.size.width);

// previewLayer.position = CGPointMake(self.view.frame.size.width / 2.0, self.view.frame.size.height / 2.0);

// previewLayer.setAffineTransform(CGAffineTransformMakeRotation(CGFloat(M_PI / 2.0)));

previewLayer.anchorPoint = CGPointZero

previewLayer.bounds = view.bounds

......

设置layer的anchorPoint是为了把bounds的顶点从中心变为左上角，这正是UIView的顶点。

如今你执行的话看到的将是方向不对的图像。

然后我们把方向统一放到captureSession的回调中处理。改动之前写的实现：

......

var outputImage = CIImage(CVPixelBuffer: imageBuffer)

let orientation = UIDevice.currentDevice().orientation

var t: CGAffineTransform!

if orientation == UIDeviceOrientation.Portrait {

t = CGAffineTransformMakeRotation(CGFloat(-M_PI / 2.0))

} else if orientation == UIDeviceOrientation.PortraitUpsideDown {

t = CGAffineTransformMakeRotation(CGFloat(M_PI / 2.0))

} else if (orientation == UIDeviceOrientation.LandscapeRight) {

t = CGAffineTransformMakeRotation(CGFloat(M_PI))

} else {

t = CGAffineTransformMakeRotation(0)

}

outputImage = outputImage.imageByApplyingTransform(t)

if filter != nil {

filter.setValue(outputImage, forKey: kCIInputImageKey)

outputImage = filter.outputImage

}

......

在获取outputImage之后并在使用滤镜之前调整outputImage的方向。这样一下。四个方向都处理了。

执行之后看到的效果和之前就一样了。

方向处理完后我们还要用一个实例变量保存这个outputImage，由于这里面含有图像的元数据。我们不会丢弃它：

给VC加入一个CIImage的属性：

var ciImage: CIImage!

在captureSession的回调里保存CIImage：

......

if filter != nil {

filter.setValue(outputImage, forKey: kCIInputImageKey)

outputImage = filter.outputImage

}

let cgImage = context.createCGImage(outputImage, fromRect: outputImage.extent())

ciImage = outputImage

......

滤镜处理完后。就将这个CIImage存起来。它可能被应用过滤镜，也可能是干干净净的原图。

最后是takePicture的方法实现：

@IBAction func takePicture(sender: UIButton) {

sender.enabled = false

captureSession.stopRunning()

var cgImage = context.createCGImage(ciImage, fromRect: ciImage.extent())

ALAssetsLibrary().writeImageToSavedPhotosAlbum(cgImage, metadata: ciImage.properties())

{ (url: NSURL!, error :NSError!) -> Void in

if error == nil {

println("保存成功")

println(url)

} else {

let alert = UIAlertView(title: "错误",

message: error.localizedDescription,

delegate: nil,

cancelButtonTitle: "确定")

alert.show()

}

self.captureSession.startRunning()

sender.enabled = true

}

}

先将按钮禁用，session停止执行，再用实例变量ciImage绘制一张CGImage，最后连同元数据一同存进图库中。

这里须要导入AssetsLibrary库：import AssetsLibrary。writeImageToSavedPhotosAlbum方法的回调 block用到了跟随闭包语法。

在真机上编译、执行看看吧。

注：由于我是用layer来做预览容器的，它没有autoresizingMask这种属性。你会发现横屏的时候就显示不正常了，在iOS 8gh，你能够通过重写VC的下面方法来兼容横屏：

override func viewWillTransitionToSize(size: CGSize, withTransitionCoordinator

coordinator: UIViewControllerTransitionCoordinator) {

previewLayer.bounds.size = size

}

录制视频

前期配置

这篇文章并不会具体解释AVFoundation框架，但为了完毕Core Image的功能，我们多多少少会说一些。我们在VC上加入一个名为“開始录制”的按钮，把按钮本身连接到VC的recordsButton属性上，并把它的事件连接到record方法上。UI看起来像这样：


为了愉快地进行下去。我先把为VC新增的全部属性列出来：......

// Video Records

@IBOutlet var recordsButton: UIButton!

var assetWriter: AVAssetWriter?

var assetWriterPixelBufferInput: AVAssetWriterInputPixelBufferAdaptor?

var isWriting = false

var currentSampleTime: CMTime?

var currentVideoDimensions: CMVideoDimensions?

......

这些就是为了实现视频录制会用到的全部属性，我们简单说一下：recordsButton，为了方便的获取录制按钮的实例而添加的属性
assetWriter，这是一个AVAssetWriter对象的实例。这个类的工作方式非常像AVCaptureSession，也是为了控制输入输出的流程而存在的
assetWriterPixelBufferInput。一个AVAssetWriterInputPixelBufferAdaptor对象，这个属性的作用如同它的名字，它同意我们不断地添加像素缓冲区到assetWriter对象里

isWriting。假设我们当前正在录制视频。则会用这个实例变量记录下来
currentSampleTime，这是一个时间戳，在AVFoundation框架里，每一块加入的数据（视频或音频等）除了data部分外，还须要一个当前的时间，每一帧的时间都不同。这就形成了每一帧的持续时间（时间间隔）
currentVideoDimensions，这个属性描写叙述了视频尺寸，尽管这个属性并不重要，可是我更加懒得把尺寸写死。它的单位是像素

接下来我们先完毕两个工具方法：movieURL和checkForAndDeleteFile。

func movieURL() -> NSURL {

var tempDir = NSTemporaryDirectory()

let urlString = tempDir.stringByAppendingPathComponent("tmpMov.mov")

return NSURL(fileURLWithPath: urlString)

}

这种方法做的事情非常easy，仅仅是构建一个暂时文件夹里的文件URL。

func checkForAndDeleteFile() {

let fm = NSFileManager.defaultManager()

var url = movieURL()

let exist = fm.fileExistsAtPath(movieURL().path!)

var error: NSError?

if exist {

fm.removeItemAtURL(movieURL(), error: &error)

println("删除之前的暂时文件")

if let errorDescription = error?.localizedDescription {

println(errorDescription)

}

}

}

这种方法检查了文件是否已存在，假设已存在就删除旧文件，之所以要添加这种方法是由于AVAssetWriter不能在已有的文件URL上写文件，假设文件已存在就会报错。另一点须要注意：我在iOS 7上推断文件是否存在时用的是URL的absoluteString方法，结果导致AVAssetWriter没报错。可是后面的缓冲区出错了，排查了非常久，把absoluteString换成path就好了。

。二个工具方法完毕后，我们就開始写最基本的方法。即createWriter方法：func createWriter() {

self.checkForAndDeleteFile()

var error: NSError?

assetWriter = AVAssetWriter(URL: movieURL(), fileType: AVFileTypeQuickTimeMovie, error: &error)

if let errorDescription = error?.localizedDescription {

println("创建writer失败")

println(errorDescription)

return

}

let outputSettings = [

AVVideoCodecKey : AVVideoCodecH264,

AVVideoWidthKey : Int(currentVideoDimensions!.width),

AVVideoHeightKey : Int(currentVideoDimensions!.height)

]

let assetWriterVideoInput = AVAssetWriterInput(mediaType: AVMediaTypeVideo, outputSettings: outputSettings)

assetWriterVideoInput.expectsMediaDataInRealTime = true

assetWriterVideoInput.transform = CGAffineTransformMakeRotation(CGFloat(M_PI / 2.0))

let sourcePixelBufferAttributesDictionary = [

kCVPixelBufferPixelFormatTypeKey : kCVPixelFormatType_32BGRA,

kCVPixelBufferWidthKey : Int(currentVideoDimensions!.width),

kCVPixelBufferHeightKey : Int(currentVideoDimensions!.height),

kCVPixelFormatOpenGLESCompatibility : kCFBooleanTrue

]

assetWriterPixelBufferInput = AVAssetWriterInputPixelBufferAdaptor(assetWriterInput: assetWriterVideoInput,

sourcePixelBufferAttributes: sourcePixelBufferAttributesDictionary)

if assetWriter!.canAddInput(assetWriterVideoInput) {

assetWriter!.addInput(assetWriterVideoInput)

} else {

println("不能加入视频writer的input \(assetWriterVideoInput)")

}

}

这种方法主要是配置项非常多。

首先检查了文件是否存在，假设存在的话就删除旧的暂时文件，不然AVAssetWriter会因无法写入文件而报错
实例化一个AVAssetWriter对象，把须要写的文件URL和文件类型传递给它。再给它一个存储错误信息的指针，方便在出错的时候排查
创建一个outputSettings的字典应用到AVAssetWriterInput对象上。这个对象之前没有提到，但也是相当重要的一个对象。它表示了一个输入设备。比方视频、音频的输入等，不同的设备拥有不同的參数和配置，并不复杂。我们这里就不考虑音频输入了。

在这个视频的配置里。我们配置了视频的编码。以及用获取到的当前视频设备尺寸（单位像素）初始化了宽、高
设置expectsMediaDataInRealTime为true。这是从摄像头捕获的源中进行实时编码的必要參数
设置了视频的transform，主要也是为了解决方向问题
创建另外一个属性字典去实例化一个AVAssetWriterInputPixelBufferAdaptor对象。我们在视频採集的过程中。会不断地通过这个缓冲区往AVAssetWriter对象里加入内容，实例化的參数中还有AVAssetWriterInput对象，属性字典标识了缓冲区的大小与格式。

最后推断一下是否能加入这个输入设备，尽管大多数情况下推断一定为真。并且为假的情况我们也没办法考虑了。但预先推断还是一个好的编码习惯

处理每一帧

上面这些基本性的配置工作完毕后，在正式開始录制视频之前，我们还有最后一步要处理。那就是处理视频的每一帧。事实上在之前我们就已经尝试过处理每一帧了，由于我们做过拍照的实时滤镜功能，如今我们仅仅须要改动AVCaptureSession的回调就可以了。

由于之前在captureOutput:didOutputSampleBuffer:这个回调方法中。我们是先对图像的方向进行处理，然后再对其应用滤镜，而录制视频的时候我们不须要对方向进行处理。由于在配置AVAssetWriterInput对象的时候我们已经处理过了。所以我们先将应用滤镜和方向调整的代码互换一下。变成先应用滤镜，再处理方向，然后在他们中间插入处理录制视频的代码：......

if self.filter != nil {

self.filter.setValue(outputImage, forKey: kCIInputImageKey)

outputImage = self.filter.outputImage

}

// 处理录制视频

let formatDescription = CMSampleBufferGetFormatDescription(sampleBuffer)

self.currentVideoDimensions = CMVideoFormatDescriptionGetDimensions(formatDescription)

self.currentSampleTime = CMSampleBufferGetOutputPresentationTimeStamp(sampleBuffer)

if self.isWriting {

if self.assetWriterPixelBufferInput?.assetWriterInput.readyForMoreMediaData == true {

var newPixelBuffer: Unmanaged<CVPixelBuffer>? = nil

CVPixelBufferPoolCreatePixelBuffer(nil, self.assetWriterPixelBufferInput?.pixelBufferPool, &newPixelBuffer)

self.context.render(outputImage,

toCVPixelBuffer: newPixelBuffer?

.takeUnretainedValue(),

bounds: outputImage.extent(),

colorSpace: nil)

let success = self.assetWriterPixelBufferInput?.appendPixelBuffer(newPixelBuffer?

.takeUnretainedValue(),

withPresentationTime: self.currentSampleTime!)

newPixelBuffer?.autorelease()

if success == false {

println("Pixel Buffer没有append成功")

}

}

}

let orientation = UIDevice.currentDevice().orientation

var t: CGAffineTransform!

......

在对图像应用完滤镜之后，我们做了这些事情：获取尺寸和时间，这两个值在后面会用到。

强调一下，时间这个參数是非常重要的，当你有一系列的帧的时候，assetWriter必须知道何时显示他们。我们除了通过CMSampleBufferGetOutputPresentationTimeStamp函数获取之外。也能够手动创建一个时间，比方把每一个缓冲区的时间设置为比上一个缓冲区时间多1/30秒。这就相当于创建一个每秒30帧的视频。可是这不能保证视频时序的真实情况，由于某些滤镜（或者其它操作）可能会耗时过长
当前是否须要录制视频。录制视频事实上就是写文件的一个过程
推断assetWriter是否已经准备好输入数据了
一切都准备好后，我们就先配置一个缓冲区。用CVPixelBufferPoolCreatePixelBuffer函数能创建基于池的缓冲区，它的优点是在创建缓冲区的时候会把之前对assetWriterPixelBufferInput对象的配置项应用到新的缓冲区上。这样就避免了你又一次对新的缓冲区进行配置。有一点须要注意，假设我们的assetWriter还未開始工作，那么当我们调用assetWriterPixelBufferInput的pixelBufferPool时候会得到一个空指针，缓冲区当然也就创建不了了
我们把缓冲区准备好后，就利用context把图像渲染到里面
把缓冲区写入到暂时文件里。同一时候得到是否写入成功的返回值
由于在Swift里CVPixelBufferPoolCreatePixelBuffer函数须要的是一个手动管理引用计数的对象（Unmanaged对象），所以须要自己把它处理一下
假设第6步失败的话就输出一下
之前的代码还是保留。由于我们还是须要将每一帧绘制到屏幕上。由于这种方法用到了非常多对象，并且比較占用内存。所以我在进入这种方法的时候还手动添加了自己主动释放池：autoreleasepool {

// ....

}

保存视频到图库

我们之前就加入了recordsButton，并把它连接到了record方法上，如今来实现它：@IBAction func record() {

if isWriting {

self.isWriting = false

assetWriterPixelBufferInput = nil

recordsButton.enabled = false

assetWriter?

.finishWritingWithCompletionHandler({[unowned self] () -> Void in

println("录制完毕")

self.recordsButton.setTitle("处理中...", forState: UIControlState.Normal)

self.saveMovieToCameraRoll()

})

} else {

createWriter()

recordsButton.setTitle("停止录制...", forState: UIControlState.Normal)

assetWriter?.startWriting()

assetWriter?.startSessionAtSourceTime(currentSampleTime!)

isWriting = true

}

}

首先是不是在录制，假设是的话就停止录制、保存视频。并清理资源。

假设还没有開始录制，就创建AVAssetWriter并配置好，然后调用startWriting方法使assetWriter開始工作，不然在回调里取pixelBufferPool的时候取不到，除此之外。还要调用startSessionAtSourceTime方法，调用后者是为了在回调中拿到最新的时间。即currentSampleTime。

假设不调用这两个方法，在appendPixelBuffer的时候就会有问题。就算最后能保存，也仅仅能得到一个空的视频文件。

当视频录制的过程開始后，就仅仅有调用finishWriting方法才干停止。我们通过saveMovieToCameraRoll方法把视频写入到图库中，不然这视频也就没机会展示了：

func saveMovieToCameraRoll() {

ALAssetsLibrary().writeVideoAtPathToSavedPhotosAlbum(movieURL(), completionBlock: { (url: NSURL!, error: NSError?

) -> Void in

if let errorDescription = error?.localizedDescription {

println("写入视频错误：\(errorDescription)")

} else {

self.checkForAndDeleteFile()

println("写入视频成功")

}

self.recordsButton.enabled = true

self.recordsButton.setTitle("開始录制", forState: UIControlState.Normal)

})

}

之前在拍照并保存的时候，我们使用了跟随闭包语法，这里使用的是完整语法的闭包。

保存成功后就能够删除暂时文件了。

编译、执行吧：

局部滤镜

上面的滤镜都是对整张图像应用滤镜，我们也能够仅仅对部分区域应用滤镜，比如把滤镜应用到视频中的面部上。

不同于上一篇，AVFoundation框架内置了检測人脸的功能，所以我们不须要使用CIDetector。

标记人脸

我们先简单的用一个Layer把人脸的区域标记出来。给VC添加一个属性：// 标记人脸

var faceLayer: CALayer?

改动setupCaptureSession方法，在captureSession调用commitConfiguration方法之前加入下面代码：

......

// 为了检測人脸

let metadataOutput = AVCaptureMetadataOutput()

metadataOutput.setMetadataObjectsDelegate(self, queue: dispatch_get_main_queue())

if captureSession.canAddOutput(metadataOutput) {

captureSession.addOutput(metadataOutput)

println(metadataOutput.availableMetadataObjectTypes)

metadataOutput.metadataObjectTypes = [AVMetadataObjectTypeFace]

}

......

这里加入了一个元数据的output对象。加入到captureSession后我们就能在回调中得到图像的元数据，包括检測到的人脸。给metadataObjectTypes属性赋值是为了申明要检測的类型，这句要在添加到captureSession之后调用。

由于我们要在回调中直接操作Layer的显示，所以我把回调放在主队列中。实现AVCaptureMetadataOutput的回调方法：// MARK: - AVCaptureMetadataOutputObjectsDelegate

func captureOutput(captureOutput: AVCaptureOutput!, didOutputMetadataObjects metadataObjects: [AnyObject]!, fromConnection connection: AVCaptureConnection!) {

// println(metadataObjects)

if metadataObjects.count > 0 {

//识别到的第一张脸

var faceObject = metadataObjects.first as AVMetadataFaceObject

if faceLayer == nil {

faceLayer = CALayer()

faceLayer?

.borderColor = UIColor.redColor().CGColor

faceLayer?

.borderWidth = 1

view.layer.addSublayer(faceLayer)

}

let faceBounds = faceObject.bounds

let viewSize = view.bounds.size

faceLayer?

.position = CGPoint(x: viewSize.width * (1 - faceBounds.origin.y - faceBounds.size.height / 2),

y: viewSize.height * (faceBounds.origin.x + faceBounds.size.width / 2))

faceLayer?.bounds.size = CGSize(width: faceBounds.size.width * viewSize.height,

height: faceBounds.size.height * viewSize.width)

print(faceBounds.origin)

print("###")

print(faceLayer!.position)

print("###")

print(faceLayer!.bounds)

}

}

简单说明下上述代码的作用：參数中的metadataObjects数组就是AVFoundation框架给我们的关于图像的全部元数据，由于我仅仅设置了须要人脸检測。所以简单推断是否为空后，取出当中的数据就可以。

在这里我仅仅对第一张脸进行了处理
接下来初始化Layer，并设置边框
取到的faceObject对象尽管包括了bounds属性，但并不能直接使用，由于从AVFoundation视频中取到的bounds，是一个0～1之间的数，是相对于图像的百分比，所以我们在设置position时，做了两步：把x、y颠倒。修正方向等问题。我仅仅是简单地适配了Portrait方向，此处能达到目的就可以。再和view的宽、高相乘，事实上是和Layer的父Layer的宽、高相乘。
设置size也如上
做的事情比較简单，仅仅是单纯地初始化一个Layer，然后不停地改动它的postion和size就可以了。

编译、执行后应该能看到例如以下效果：

使用滤镜

上面用Layer仅仅是简单的先显示一下人脸的区域，我们没有调整图像输出时的CIImage，所以并不能被录制到视频或被保存图片到图库中。

接下来我们就改动之前的代码。使其能同一时候支持总体滤镜和部分滤镜。首先把VC中记录的属性改一下： ......

// 标记人脸

// var faceLayer: CALayer?

var faceObject: AVMetadataFaceObject?

......

我们就不用Layer作人脸范围的标记了，而是直接把滤镜应用到输出的CIImage上，为此，我们须要在AVCaptureMetadataOutput对象的delegate回调方法中记录识别到的脸部元数据：// MARK: - AVCaptureMetadataOutputObjectsDelegate

func captureOutput(captureOutput: AVCaptureOutput!, didOutputMetadataObjects metadataObjects: [AnyObject]!, fromConnection connection: AVCaptureConnection!) {

// println(metadataObjects)

if metadataObjects.count > 0 {

//识别到的第一张脸

faceObject = metadataObjects.first as?

AVMetadataFaceObject

/*

if faceLayer == nil {

faceLayer = CALayer()

faceLayer?.borderColor = UIColor.redColor().CGColor

faceLayer?.borderWidth = 1

view.layer.addSublayer(faceLayer)

}

let faceBounds = faceObject.bounds

let viewSize = view.bounds.size

faceLayer?.position = CGPoint(x: viewSize.width * (1 - faceBounds.origin.y - faceBounds.size.height / 2),

y: viewSize.height * (faceBounds.origin.x + faceBounds.size.width / 2))

faceLayer?.bounds.size = CGSize(width: faceBounds.size.height * viewSize.width,

height: faceBounds.size.width * viewSize.height)

print(faceBounds.origin)

print("###")

print(faceLayer!.position)

print("###")

print(faceLayer!.bounds)

*/

}

}

之前的Layer相关代码都凝视掉。仅仅简单地把识别到的第一张脸记录在VC的属性中。然后改动AVCaptureSession的delegate回调，在录制视频的代码之前，全局滤镜的代码之后。加入脸部处理代码：......

if self.filter != nil { // 之前做的全局滤镜

self.filter.setValue(outputImage, forKey: kCIInputImageKey)

outputImage = self.filter.outputImage

}

if self.faceObject != nil { // 脸部处理

outputImage = self.makeFaceWithCIImage(outputImage, faceObject: self.faceObject!)

}

......

我们写了个makeFaceWithImage的方法来专门为脸部应用滤镜。应用的效果是上一篇中提到的马赛克效果。makeFaceWithCIImage的方法实现：func makeFaceWithCIImage(inputImage: CIImage, faceObject: AVMetadataFaceObject) -> CIImage {

var filter = CIFilter(name: "CIPixellate")

filter.setValue(inputImage, forKey: kCIInputImageKey)

// 1.

filter.setValue(max(inputImage.extent().size.width, inputImage.extent().size.height) / 60, forKey: kCIInputScaleKey)

let fullPixellatedImage = filter.outputImage

var maskImage: CIImage!

let faceBounds = faceObject.bounds

// 2.

let centerX = inputImage.extent().size.width * (faceBounds.origin.x + faceBounds.size.width / 2)

let centerY = inputImage.extent().size.height * (1 - faceBounds.origin.y - faceBounds.size.height / 2)

let radius = faceBounds.size.width * inputImage.extent().size.width / 2

let radialGradient = CIFilter(name: "CIRadialGradient",

withInputParameters: [

"inputRadius0" : radius,

"inputRadius1" : radius + 1,

"inputColor0" : CIColor(red: 0, green: 1, blue: 0, alpha: 1),

"inputColor1" : CIColor(red: 0, green: 0, blue: 0, alpha: 0),

kCIInputCenterKey : CIVector(x: centerX, y: centerY)

])

let radialGradientOutputImage = radialGradient.outputImage.imageByCroppingToRect(inputImage.extent())

if maskImage == nil {

maskImage = radialGradientOutputImage

} else {

println(radialGradientOutputImage)

maskImage = CIFilter(name: "CISourceOverCompositing",

withInputParameters: [

kCIInputImageKey : radialGradientOutputImage,

kCIInputBackgroundImageKey : maskImage

]).outputImage

}

let blendFilter = CIFilter(name: "CIBlendWithMask")

blendFilter.setValue(fullPixellatedImage, forKey: kCIInputImageKey)

blendFilter.setValue(inputImage, forKey: kCIInputBackgroundImageKey)

blendFilter.setValue(maskImage, forKey: kCIInputMaskImageKey)

return blendFilter.outputImage

}

这上面的代码基本是复制上一篇里的代码，改的地方仅仅有两处：把马赛克的效果变大，kCIInputScaleKey默认值为0.5，你能够把这行代码凝视掉后看效果
计算脸部的中心点和半径，计算方法和之前didOutputMetadataObjects这个delegate回调中的计算方法一样。复制过来就可以了
假设你看到我的上一篇《iOS8 Core Image In Swift：人脸检測以及马赛克》的话，这里面的实现方式应该就非常清晰了。到此。对脸部的滤镜也处理好了，编译、执行，能够得到这种结果：

GitHub下载地址

我在GitHub上会保持更新。

參考资料：

1. http://weblog.invasivecode.com/post/18445861158/a-very-cool-custom-video-camera-with

2. https://developer.apple.com/library/mac/documentation/graphicsimaging/conceptual/CoreImaging/ci_intro/ci_intro.html

3. http://en.wikipedia.org/wiki/YUV