Analysera livevideor utan inspelning
Föreslagen förläsning
Översikt
Du kan använda en pipelinetopologi för att analysera livevideo, utan att spela in några delar av videon i en fil eller en tillgång. Pipeline-topologierna som visas nedan liknar dem i artikeln om händelsebaserad videoinspelning, men utan en nod för video mottagare eller fil mottagare nod.
Anteckning
Analys av livevideor är för närvarande endast tillgängligt för gränsmoduler och inte för molnet.
Rörelseidentifiering
Pipelinetopologin som visas nedan består av en RTSP-källnod, en processornod för rörelseidentifiering och en IoT Hub-meddelandenod – du kan se inställningarna som används i dess JSON-representation. Med den här topologin kan du identifiera rörelse i inkommande livevideoström och vidarebefordra rörelsehändelserna till andra appar och tjänster via IoT Hub-noden för mottagare. Externa appar eller tjänster kan utlösa en avisering eller skicka ett meddelande till lämplig personal.
Analysera video med hjälp av en Custom Vision-modell
Med pipelinetopologin som visas nedan kan du analysera en direktsänd videoström med hjälp av en Custom Vision-modell som paketerats i en separat modul. Du kan se de inställningar som används i dess JSON-representation. Det finns andra exempel för att omsluta modeller IoT Edge moduler som körs som en inferenstjänst.
I den här pipelinetopologin skickas videoindata från RTSP-källan till en http-tilläggsprocessornod som skickar bildramar (i JPEG-, BMP- eller PNG-format) till en extern inferenstjänst över REST. Resultaten från den externa härledningstjänsten hämtas av HTTP-tilläggsnoden och vidarebefordras till IoT Edge-hubben via IoT Hub-noden för meddelanden. Den här typen av pipelinetopologi kan användas för att skapa lösningar för olika scenarier, till exempel att förstå tidsseriedistributionen för fordon i en vägkorsning, förstå konsumenttrafikmönstret i en butik och så vidare.
Tips
Du kan hantera bildfrekvens inom HTTP-tilläggets processornod med hjälp av samplingOptions fältet innan du skickar det nedströms.
En förbättring av det här exemplet är att använda en rörelsedetektorprocessor före HTTP-tilläggsprocessornoden. Detta minskar belastningen på härledningstjänsten eftersom den endast används när det finns rörelseaktivitet i videon.
