例程讲解25-Machine-Learning->nn_lenet_search_whole_window整幅图形数字识别例程
运行此例程前，请先在OpenMV IDE->工具->机器视觉->CNN网络库 中，将相应的神经网络文件保存到OpenMV的SD内存卡中哦。
神经网络是一个非常新的功能，目前还处于测试阶段。截至目前2018-08-15，OpenMV IDE中内置的lenet.network网络模型在OpenMV3 M7会超出内存，建议自己训练小一点的lenet模型使用。
# lenet在整幅图形中数字识别例程
# LeNet是一个卷积网络，旨在将其视野分类为数字0-9。
#
# 在此示例中，我们将LeNet检测器窗口滑动到图像上，并获取可能存在对象的激活列表。
# 请注意，使用带有滑动窗口的CNN非常昂贵，因此对于穷举搜索而言，不要期望CNN是实时的。
import sensor, image, time, os, nn
sensor.reset() # Reset and initialize the sensor.
sensor.set_pixformat(sensor.GRAYSCALE) # Set pixel format to RGB565 (or GRAYSCALE)
sensor.set_framesize(sensor.QVGA) # Set frame size to QVGA (320x240)
sensor.set_windowing((128, 128)) # Set 128x128 window.
sensor.skip_frames(time=500) # Don't let autogain run very long.
sensor.set_auto_gain(False) # Turn off autogain.
sensor.set_auto_exposure(False) # Turn off whitebalance.
# Load lenet network (You can get the network from OpenMV IDE).
net = nn.load('/lenet.network')
labels = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']
clock = time.clock()
while(True):
clock.tick()
img = sensor.snapshot()
tmp_img = img.copy().binary([(150, 255)], invert=True)
# net.search()将在图像中搜索网络中的roi（如果未指定roi，则搜索整个图像）。
# 如果其中一个分类器输出大于阈值，则在每个位置查看图像，位置和标签将存储在对象列表中并返回。
# 在每个比例下，使用x_overlap(0-1)和y_overlap(0-1)作为指导，在ROI中移动检测窗口。
# 如果将overlap设置为0.5，则每个检测窗口将与前一个检测窗口重叠50％。
# 请注意，计算工作重叠越多，负载越多。
# 最后，对于在x/y维度上滑动网络之后的多尺度匹配，检测窗口将通过scale_mul(0-1)缩小到min_scale(0-1)。
# 例如，如果scale_mul为0.5，则检测窗口将缩小50％。
# 请注意，在较低比例下，如果x_overlap和y_overlap较小，则搜索区域会更多...
# contrast_threshold会跳过平坦区域。
# 设置x_overlap = -1会强制窗口始终保持在x方向的ROI中心。
# 如果y_overlap不为-1，则该方法将搜索所有垂直位置。
# 设置y_overlap = -1会强制窗口始终在y方向的ROI中居中。
# 如果x_overlap不是-1，则该方法将在所有水平位置搜索。
for obj in net.search(tmp_img, threshold=0.9, min_scale=0.5, scale_mul=0.5, \
x_overlap=0.5, y_overlap=0.5, contrast_threshold=0.5):
print("Detected %s - Confidence %f%%" % (labels[obj.index()], obj.value()))
img.draw_rectangle(obj.rect())
print(clock.fps())
