Compression vidéo MPEG-4

Le standard MPEG-4 fournit un ensemble de technologies satisfaisant le besoin des auteurs, des fournisseurs et, finalement, des utilisateurs.

Pour les auteurs, MPEG-4 permettra la production de séquences réutilisables. Il leur permettra une grande flexibilité, autorisant l'amalgame de la télévision numérique, des animations graphiques et des pages web. En outre, ils auront la possibilité de protéger leurs œuvres.

Pour les fournisseurs d'accès Internet, MPEG-4 offrira des informations transparentes, qu'ils pourront aisément adapter à la demande de l'utilisateur (par exemple : l'adaptation en fonction de la langue de l'utilisateur), ainsi que le contrôle des transferts (gestion des pertes de données).

Pour les utilisateurs, MPEG-4 aura de nombreuses possibilités qui pourront être accessibles à partir d'un simple terminal. Voici un large éventail de toutes les applications concernées par les apports d'une telle standardisation :

1. La communication temps réel (vidéophone…) ;
2. La surveillance ;
3. Le multimédia mobile (miniportable faisant office de téléphone, fax, agenda, par liaison GSM ou satellite) ;
4. Le stockage et la recherche d'informations basées sur le contenu ;
5. La lecture de vidéo sur Internet/Intranet sans avoir à télécharger toute la source ;
6. La visualisation de scènes simultanément à plusieurs endroits (téléconférence…) ;
7. La transmission (tous types de données : vidéo, audio…) ;
8. La postproduction (cinéma et télé) ;
9. Le DVD ;
10. Les applications de l'animation de visages : réunions virtuelles… ;
11. La hiérarchisation et la gestion des objets audios dans une scène.

Pour toutes ces applications, les buts de la standardisation MPEG-4 sont :

• empêcher la non-portabilité par l'harmonisation des moyens de codage et de décodage ;
• représenter des « objets médias » (unités sonore, visuelle et audiovisuelle), ces unités peuvent être enregistrées par un appareil photo, un microphone ou générées par un ordinateur ;
• décrire la composition des objets formant une scène audiovisuelle ;
• synchroniser les différents objets médias pour qu'ils puissent être transportables ;
• permettre l'interaction entre l'utilisateur et le diffuseur.

La norme MPEG-4 propose une solution radicalement différente pour le codage des vidéos afin de satisfaire à tous ses besoins dans les différentes applications qu'elle propose. Les scènes audiovisuelles sont ainsi composées de plusieurs objets médias hiérarchisés. Ainsi, dans l'arborescence de cette hiérarchie, on trouve :

• des images fixes (background) ;
• des objets vidéo (objets en mouvement sans background) ;
• des objets audio (la voix associée à l'objet en mouvement).

MPEG-4 définit donc précisément la manière de décrire une scène. La description d'une scène codée par MPEG-4 peut être comparée au langage VRML dans sa structure et ses fonctionnalités.

Une scène audiovisuelle, codée par MPEG-4, est décrite comme un ensemble d'éléments individualisés. Elle contient des composants « médias » simples regroupés par type. Ces groupes correspondent aux branches d'un arbre de découpage où chaque feuille représente un élément simple. Par exemple, si cette branche correspondait à une personne qui parle, elle serait divisée en feuilles contenant le fond, la parole et les divers composants graphiques représentant la personne en train de parler. Une telle construction permet ainsi la construction de scènes complexes tout en autorisant l'utilisateur à ne manipuler qu'une partie des objets. Un objet média peut donc être associé à une information. MPEG-4 fournit des méthodes de codage pour les objets individuels.

La norme permet également d'optimiser le codage de plusieurs objets dans une scène. L'information nécessaire à la composition d'une scène est contenue dans la description de la scène. Celle-ci est codée et transmise avec les objets médias. Ainsi, pour faciliter l'interactivité, la description de la scène est codée indépendamment des « Objets médias » primitifs. Une grande attention est portée sur l'identification des paramètres relatifs à la scène. Ces paramètres sont donnés par différents algorithmes qui codent de façon optimale les objets. MPEG-4 autorise la modification de ces paramètres sans avoir à décoder les objets médias. Pour cela, ils sont placés dans la partie description de la scène et non avec les objets médias. Plus généralement, MPEG-4 standardise la façon de décrire une scène, en permettant par exemple :

• de placer un objet n'importe où dans un système de coordonnées ;
• d'effectuer des transformations géométriques ou acoustiques sur un objet ;
• de grouper des éléments « média » simples pour former un composant « média » complexe ;
• de modifier les attributs d'un objet en transformant ses données ;
• de changer, interactivement, la vue et l'écoute d'une scène.

Mais quelles sont exactement les informations données dans la description d'une scène ? La première information donne la façon de coder un groupement d'objets. Une scène MPEG-4 suit une structure hiérarchique qui peut être représentée comme un graphe acyclique. Chaque feuille du graphe représente un objet médias. La structure de l'arborescence n'est pas nécessairement statique, les « feuilles »(avec leurs paramètres de positionnement) peuvent être changées. On peut aussi envisager d'en supprimer, d'en remplacer ou même d'en ajouter.

La deuxième information donne le positionnement spatial et temporel des objets. Dans le modèle MPEG-4, les objets audiovisuels sont à la fois spatiaux et temporels. Chaque objet média a un système de coordonnées locales. Par ce système il est possible d'attribuer un « état » spatio-temporel et une échelle à chaque objet. Les objets médias sont disposés dans la scène après avoir subi une transformation du repère local au repère global, transformation définie par un de ses parents.

La troisième information donne la valeur qui est attribuée à la sélection. Chaque nœud et feuille de l'arbre contient un panel d'informations. Certaines sont accessibles et d'autres restent fixes. Il est donc possible de les paramétrer à loisir suivant les informations données par l'acteur et des contraintes définies par l'auteur.

Enfin, la dernière information autorise une autre transformation pour les objets médias. La structure d'une scène MPEG-4 est fortement influencée par le concept de VRML et ses possibilités d'interaction. Ceci représente l'ambition majeure de MPEG-4.

L'utilisateur visualise en général des scènes respectant le dessein de leur auteur. Mais, suivant la liberté que ce dernier autorise, l'utilisateur a la possibilité d'interagir avec la scène, ce qui lui permet entre autres :

• de changer le point de vue ou d'écoute d'une scène (par la navigation au travers de la scène) ;
• de déplacer un objet dans une scène ;
• de cliquer sur un objet pour obtenir des informations complémentaires sur l'objet ou lui faire effectuer des actions spécifiques ;
• de sélectionner une langue parmi celles qui sont proposées ;
• d'effectuer beaucoup d'autres actions complexes comme établir une communication entre deux personnes par un simple clic de souris.

Les outils servant à représenter les objets visuels naturels avec MPEG-4 doivent provenir d'une technologie standardisée permettant le stockage, la transmission et la manipulation de toutes les données de manière simple et efficace. Ces outils doivent permettre également de décoder et représenter les images ou les vidéos contenues dans des VO (Vidéo Objects) et de les associer à d'autres AVO (Audio-Video Objects) pour créer une scène. Pour atteindre ce but et éviter d'avoir une multitude d'applications non conventionnées qui effectueraient quelques-unes de ces fonctions, MPEG-4 propose des solutions et des algorithmes, regroupant la plupart des fonctionnalités demandées par MPEG-4 comme pour :

• la compression des images et des vidéos ;
• la compression des textures mapping pour les maillages 2D et 3D ;
• la compression des maillages 2D implicites ;
• la compression des champs d'animation géométrique des maillages ;
• l'accès aléatoire de tous types de VO ;
• l'extension des fonctionnalités de manipulation des images et des séquences vidéo ;
• le codage des vidéos et des images basé sur le contenu ;
• le redimensionnement des objets basé sur le contenu ;
• le redimensionnement spatial, temporel et qualitatif ;
• la robustesse et la résistance aux erreurs quel que soit l'environnement.

Toutes ces solutions seront fournies dans la partie visuelle de la norme MPEG-4.

Les algorithmes de codage des images et des vidéos MPEG-4 donneront une représentation rationnelle des objets vidéo, avec pour but de respecter les fonctionnalités basées sur le contenu. Mais MPEG-4 devra également supporter les fonctionnalités déjà fournies par MPEG-1 et MPEG-2, soit la compression efficace des images traditionnelles rectangulaires de différents formats, la fréquence des images, la profondeur des pixels, le taux de transfert, et les possibilités de redimensionnements spatial, temporel et qualitatif. MPEG-4 veut supporter les algorithmes permettant un transfert efficace à très faible taux de transmission (VLBV : Very Low Bit-rate Video, entre 5 et 64 kBit/s) avec un taux de compression satisfaisant, une grande résistance aux erreurs et une faible complexité pour les applications multimédias temps réel.

Toutes ces applications, prévues pour de faibles débits, devront être aussi efficaces à haut débit de transfert (jusqu'à 4 MBit/s). L'idée d'un codage basé sur le contenu implique que MPEG-4 puisse coder et décoder séparément les différents « objets vidéo »(VO) d'une scène, afin de permettre une gestion simplifiée de l'interactivité, la manipulation et la représentation des objets vidéo, ainsi que le mélange entre objets naturels et objets synthétiques (par exemple une scène avec un fond virtuel et des personnages réels). Mais les algorithmes supplémentaires nécessaires à la gestion du codage basé sur le contenu ne devront être qu'un ensemble additionnel d'outils aux VLBV et HBV déjà utilisés dans MPEG-1 et MPEG-2.

MPEG-4 utilise les algorithmes basés sur la méthode des ondelettes (wavelet) pour compresser ce type d'images. En effet, cette compression est très efficace, quel que soit le taux de transfert, tout en conservant ses capacités d'adaptabilité spatiale et qualitative, ce qui est non négligeable pour résoudre les problèmes d'interactivités (notamment pour les changements de vue) et de texture des objets 2D et 3D dans les images virtuelles.

Les objets synthétiques englobent une importante partie de l'imagerie par ordinateur. Ces objets sont décrits de façon paramétrique, suivant un modèle que l'on peut diviser en quatre parties :

• la description synthétique du visage et du corps humain ;
• l'animation des champs du visage et du corps ;
• le codage dynamique et statique du maillage avec les textures ;
• le codage des textures suivant les vues.

L'animation d'un visage se fait à partir d'un modèle ayant une expression neutre (FDP : Facial Definition Parameter) contrôlé par une série de paramètres contenus dans le FAP (Facial Animation Parameter). Pour animer un visage, il suffira donc de télécharger le modèle, et d'envoyer les paramètres contrôlant le mouvement du visage qui se traduiront alors sur le visage neutre à l'aide d'un système prévu à cet effet par MPEG-4 (FIT : Face Interpolation Technique). Ce système possède l'avantage de n'avoir besoin que d'un visage neutre permettant d'une part d'accélérer la formation des mouvements et, d'autre part, de pouvoir en créer de nouveau sans avoir de modèle d'expression prédéfini. La partie du standard relative à l'animation des visages permet d'envoyer des paramètres de calibrage et d'animation des visages synthétiques. Ces modèles ne sont pas standardisés par la norme MPEG-4, seuls les paramètres le sont :

• définition et codage des paramètres d'animation ;
• positions et orientations des points caractéristiques (points-clefs) pour l'animation du maillage (modélisation « fil de fer ») du visage ;
• configuration des lèvres correspondant aux phonèmes de la parole ;
• positions 3D des points caractéristiques ;
• calibration du maillage 3D pour l'animation ;
• carte des textures du visage ;
• caractéristiques personnelles ;
• codage des textures du visage.

La technologie d'animation du corps proviendra directement de celle du visage, afin de garder l'esprit de standardisation de la norme MPEG-4.

Le maillage 2D est une partition d'un espace 2D par des polygones eux-mêmes référencés par une liste de nœuds. La norme MPEG-4 utilise uniquement le type de maillage triangulaire, longtemps utilisé pour la représentation d'objets 3D. Ainsi, la modélisation par maillage triangulaire peut être considérée comme la projection d'un maillage 3D sur une image plane. MPEG-4 a voulu utiliser un maillage dynamique triangulaire pour conserver la facilité de manipulation et les multiples fonctionnalités qu'offre cette solution pour les objets 3D, comme pour la manipulation d'objet vidéo :

• améliorer le réalisme des scènes ;
• modifier ou remplacer des objets ;
• rendre plus robuste l'interpolation spatio-temporelle lors de la reconstruction des images (en cas de pertes d'informations).

Le maillage permet d'augmenter le taux de compression avec un faible taux d'erreur.

• Prédiction basée sur le maillage et transfiguration de texture animée.
• Modélisation 2D de Delaunay ou maillage régulier avec suivi de mouvement pour les objets animés.
• Prédiction de mouvement et suspension de transmission des textures avec les maillages dynamiques.
• Compression géométrique pour les vecteurs de déplacement.
• Compression de maillage 2D à reconstruction implicite de la structure et du décodeur.

En fonction de la façon dont on regarde une scène, toutes les informations ne sont pas nécessaires. L'échelonnage permet de sélectionner uniquement la partie utile de l'information, et donc de transférer une masse d'informations considérablement réduite entre la base de données et l'utilisateur, données qui seront traitées sous cette forme réduite au codage et au décodage (compression). Cette méthode est de plus applicable aussi bien avec les ondelettes qu'avec le codeur DCT (Discrete Cosine transform).

Le codage des formes sera supporté dans l'assistance à la description et à la composition des images et des vidéos conventionnelles aussi bien qu'à celles des objets vidéo. Les applications bénéficiant des cartes binaires de formes sont surtout les représentations d'images basées sur le contenu pour les images des bases de données, des jeux interactifs, la surveillance et l'animation. Des techniques sont fournies pour permettre un codage efficace des formes binaires. Une carte de transparence binaire définit si un pixel appartient ou non à un objet.

Le codage des formes en « niveaux de gris » ou en « transparence ». Une carte « alpha » définit la transparence d'un objet, qui n'est pas nécessairement uniforme. Des cartes de transparence multiniveau sont fréquemment utilisées pour superposer les différents « calques » des séquences d'images. D'autres applications bénéficiant des cartes binaires de transparence sont les représentations d'images basées sur le contenu pour les images des bases de données, des jeux interactifs, la surveillance et l'animation. Des techniques efficaces sont prévues, permettant un codage efficace aussi bien en niveaux de gris qu'en transparence. Une carte de transparence binaire définit si un pixel appartient ou non à un objet. Une carte des niveaux de gris définit la transparence exacte de chaque pixel.

La différence entre un codeur VLBV, et un codeur MPEG-4 tient compte de l'aspect basé sur le contenu. Les deux codeurs présentent de nombreuses similitudes, mais le codeur basé sur le contenu possède une extension pour la gestion des formes (shape) et de la transparence. Les avantages des fonctionnalités basées sur le contenu sont :

• codage des images et de la vidéo basé sur le contenu pour permettre un décodage et une reconstruction adaptés à chaque type d'objet vidéo ;
• accès aléatoire au contenu des séquences vidéo pour permettre des fonctionnalités telles que la pause, l'avance et le retour rapides ;
• accroissement des possibilités de manipulation du contenu des séquences vidéo pour permettre des fonctionnalités telles que les déformations de textes, textures, images et séquences vidéo synthétiques ou naturelles lors de la reconstruction du contenu de la vidéo.

MPEG-4 code tous les types d'images (images naturelles rectangulaires ou objets à contours complexes). L'adaptabilité de ce codage vient des préférences qu'on peut lui donner en fonction des besoins, par exemple :

• réduction de la complexité du décodeur, et donc réduction de la qualité pour des images dont la qualité n'est pas primordiale ;
• réduction de la résolution pour une utilisation en petite taille de grands objets ;
• réduction de la résolution temporelle : séquence vidéo lue avec moins d'images par secondes ;
• réduction de la qualité sans perte de taille ou de cadence ;
• etc.

Le but du codage MPEG-4 étant de donner à n'importe quel utilisateur les mêmes possibilités d'utilisation, quelles que soient ses capacités matérielles, la norme est donc faite de manière à pouvoir s'adapter aux besoins et aux exigences de l'utilisateur. Ainsi, l'adaptabilité de la norme se fait sur différents champs :

• adaptabilité de la complexité au niveau de l'encodeur pour permettre aux encodeurs de complexité plus ou moins élevée de générer un flux de données valide pour une texture, image ou vidéo donnée ;
• adaptabilité de la complexité au niveau du décodeur pour permettre à un flux de données représentant une texture, image ou vidéo, d'être décodé par des décodeurs de niveaux de complexité différents. La qualité de la reconstruction est, en général, relative à la complexité du décodeur utilisé. Ceci pourrait entraîner le fait que des décodeurs moins puissants ne puissent décoder qu'une partie du flux de données ;
• adaptabilité spatiale qui permet aux décodeurs de décoder un sous-ensemble du flux de données global généré par l'encodeur pour reconstruire et afficher les textures, images et vidéos, à une résolution spatiale plus faible. Pour les textures et images fixes, un maximum de 11 niveaux d'échelonnage spatial sera supporté. Pour les séquences vidéo, un maximum de trois niveaux sera supporté ;
• adaptabilité temporelle pour permettre aux décodeurs de décoder un sous-ensemble du flux de données global généré par l'encodeur pour reconstruire et afficher une séquence vidéo à une résolution temporelle plus faible. Un maximum de trois niveaux sera supporté ;
• adaptabilité qualitative qui permet de séparer un flux de données en un certain nombre de couches de façon à ce que la combinaison d'un sous-ensemble de ces couches puisse être décodée en un signal significatif. Cette division au sein du flux de données peut s'effectuer aussi bien au cours de la transmission que dans le décodeur. La qualité de reconstruction est, en général, relative au nombre de couches utilisées pour le décodage et la reconstruction.

Cette adaptabilité permettra à tous les utilisateurs du réseau d'avoir accès aux applications temps-réel quelle que soit la configuration de leur machine (surtout si celle-ci est limitée).

MPEG-4 permet à l'utilisateur de ne plus être passif. L'utilisateur gère les informations qu'il désire. Il y a deux types d'interactions :

• celle du client ;
• celle du serveur.

Le but est de permettre au client de pouvoir supprimer des informations qu'il ne désire pas ou bien d'accéder à une surcharge d'information(ex. : changement de langage…). En outre, l'utilisateur peut modifier les attributs de la scène en changeant la position des objets, les rendant visibles ou invisibles, en changeant la police des caractères, la couleur ou encore le volume sonore d'un acteur de la scène (par exemple un acteur peut être isolé dans une scène, il sera possible d'isoler également ses dires et de supprimer toute autre source sonore). Du côté du serveur, son action peut permettre par exemple de changer de publicité au cours d'un match de hockey automatiquement, il peut accéder aux mêmes données que le client, mais peut se réserver le droit d'empêcher certaines interactions.

MPEG-4 traite le problème des droits de propriétés intellectuelles par insertion dans les objets d'un code d'identification (IPI) donnant des informations sur le contenu, le type du contenu et les droits attenants à l'objet en question. Les données contenues dans l'IPI et associées à chaque objet peuvent différer, même pour des objets appartenant à une même image (par ex. : droits libres sur le fond, mais restreints sur le personnage). L'insertion de l'IPI au moment du codage implique également l'insertion des mécanismes de protection équivalents aux droits sur l'image (protection contre les copies, facturation…). Pour réaliser une protection efficace, les mécanismes utilisés sont très complexes et sont développés sous le titre de « IPMP »…

MPEG-4 permettra aussi d'attacher aux objets des informations complémentaires sur eux et leur contenu. Ces informations (OCI) pourront être envoyées textuellement en même temps que les objets, et pourront être classifiées suivant des tables prédéfinies même en dehors de la norme.

• Taux de transfert : entre 5 kbits/s et 4 Mbits/s.
• Formats : vidéo progressive et entrelacée.
• Résolutions : du format sub-QCIF au format TV.

• Compression efficace de la vidéo quel que soit le taux de transfert.
• Compression efficace des textures pour le plaquage de textures sur les maillages 2D et 3D.

La partie visuelle du standard fournit des profils pour le codage des contenus visuels naturels, synthétiques et hybrides naturel/synthétique. Il y a en tout cinq profils pour le visuel naturel :

• le profil visuel simple fournit un codeur, efficace et résistant aux erreurs, d'objets vidéo rectangulaires, adapté pour les applications de réseaux mobiles, tels que PCS et IMT2000 ;
• le profil visuel simple adaptable ajoute au précédent un support pour coder des objets adaptables aux niveaux temporel et spatial. Il est très utile pour les applications qui fournissent des services sur plus d'un niveau de qualité à cause du débit ou des possibilités limitées du décodeur, par exemple une application Internet ;
• le profil visuel 'noyau' ajoute au profil visuel simple un support pour coder des objets adaptables de formes arbitraires et temporaires. Il est très utile pour les applications telles que celles qui fournissent une interactivité avec le contenu relativement simple (applications multimédias sur Internet) ;
• le profil visuel principal ajoute au profil précédent un support de codage pour les sprites entrelacés et semi-transparents. Il est utile pour les applications ludiques et interactives de grande qualité comme sur DVD par exemple ;
• le profil visuel N-Bit ajoute un support pour coder les objets qui ont des profondeurs pixelliques de 4 à 12 bits. Il est adapté à l'utilisation en vidéo surveillance.

Les profils pour les contenus visuels synthétiques et hybrides naturel/synthétique sont :

• le profil visuel d'animation faciale simple fournit un moyen simple d'animer un modèle de visage, adapté aux applications telles qu'une présentation audio/vidéo pour les malentendants ;
• le profil visuel adaptable dédié aux textures fournit des outils pour coder des objets images fixes (texturés) aux dimensions adaptables utilisés pour les applications ayant besoin de multiples niveaux d'adaptation, tels que le plaquage de texture sur un objet dans un jeu ou bien les caméras numériques haute résolution fixes ;
• le profil visuel basique d'animation 2D fournit une adaptabilité de l'espace, du SNR et l'animation d'objets fil de fer pour des objets images fixes, ainsi que l'animation simple d'objets visage ;
• le profil visuel hybride combine les possibilités du profil visuel 'noyau' vu précédemment et décode également plusieurs objets synthétiques et hybrides, objets image fixe à face simple et animés inclus.

Quatre profils audio ont été définis :

• le profil parole fournit le HVXC qui est un codeur paramétrique de la parole à très faible débit, un codeur CELP bande étroite/bande large et une interface Text-To-Speech ;
• le profil synthèse fournit une synthèse par partition utilisant le SAOL et des tables de sons ainsi qu'une interface Text-To-Speech pour produire des sons et de la parole à de très faibles débits ;
• le profil adaptable est un super ensemble du profil parole. Il est adapté pour le codage adaptable de la musique et de la parole pour les réseaux tels que Internet et le Narrow band Audio Digital Broadcasting (NADIB). Le débit est compris entre 6 kBits/s et 24 kBits/s avec des bandes larges entre 3.5 et 9 kHz.
• le profil principal est un super ensemble très riche de tous les autres profils, contenant des outils pour l'audio naturelle et synthétique.

Les profils graphiques définissent quels éléments graphiques et textuels peuvent être utilisés dans une scène. Ces profils sont définis dans la partie Système du standard

• le profil simple graphique 2D fournit seulement les outils du BIFS (Binary Format for Scene Description) nécessaires pour placer un ou plusieurs objets dans une scène ;
• le profil graphique 2D complet fournit toutes les fonctionnalités graphiques 2D et supporte quelques fonctions comme les graphiques et les textes arbitraires, qui peuvent être en conjonction avec des objets visuels ;
• le profil graphique complet fournit des éléments graphiques avancés tels que les extrusions et permet de créer une scène avec des lumières sophistiquées. Le profil graphique complet permet des applications telles que des mondes virtuels complexes d'un très haut réalisme.

Les profils de description de scène, définis dans la partie système du standard, permettent de créer des scènes audiovisuelles avec seulement de l'audio, du 2D, du 3D ou du 2D/3D mixés :

• le profil 3D est appelé VRML, car il optimise l'interaction avec le langage VRML ;
• le profil de scène audio prévoit un ensemble d'outils du BIFS (Binary Format for Scene Description) pour l'audio seulement. Ce profil supporte des applications de type radio diffusion ;
• le profil de scène 2D simple fournit seulement les outils du BIFS pour placer un ou plusieurs éléments audiovisuels dans une scène. Ce profil permet de créer des présentations audiovisuelles, mais sans possibilité d'interactions. Il peut être utilisé pour des applications type télédiffusion ;
• le profil de scène 2D complet fournit tous les outils du BIFS nécessaires à la réalisation d'une scène 2D. Ce profil est utilisé pour des applications 2D qui nécessitent une interactivité grande et spécifique ;
• le profil de scène complet fournit le jeu complet d'outils du BIFS. Ce profil sert à réaliser des applications telles que des mondes 3D virtuels dynamiques et des jeux.

Ils comprennent les outils suivants :

• outil descripteur d'objet (OD) ;
• outil de synchronisation (SL) ;
• outil d'information sur les objets (OCI) ;
• outil de propriété intellectuelle et de protection (IPMP).

Actuellement, seul un profil est défini et inclut tous ces outils. La raison principale de la création de ce profil n'est pas de créer des sous-ensembles d'outils, mais plutôt de leur définir des niveaux. Ceci s'applique spécialement à l'outil de synchronisation des couches, MPEG-4 utilisant différentes bases de temps. En introduisant des niveaux, il est alors possible, par exemple, de n'autoriser qu'une seule base de temps.

MPEG-4 est une révolution, tant du point de vue de sa structure physique, que de l'idéologie qui en découle. C'est la base de tout ce qui touchera la communication et le multimédia dans les années à venir, et quand on voit l'explosion de toutes ces technologies, on imagine l'importance d'une telle norme. MPEG-4 n'en est qu'à ses débuts, mais ses applications sont vastes et beaucoup de choses ont déjà été réalisées. Malgré tout, le travail à effectuer est encore long avant d'obtenir des résultats convaincants pour tous les compartiments de la norme. En particulier, il reste deux problèmes majeurs à résoudre pour le codage des vidéos naturelles, à savoir, l'estimation de mouvement et la segmentation de la vidéo en objets.