Python程序实现AIE控制板摄像头图像分类及物体检测

集成以上3阶段的程序过程设计，编写一个AIE控制板摄像头进行图像分类的Python程序，写入开源控制板，在运行过程中完成对代码的调试。完整的示例代码如下：

# cifar10在整幅图像中识别例程

# CIFAR是一个卷积网络，旨在将其视野分类为几种不同的对象类型，并处理RGB视频数据。

#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。

# 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。(www.xing528.com)

#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。

图像分类程序运行情况如图13.4所示，右上区域显示出了摄像头捕捉到的视频图像，其中叠加显示了实时检测出的目标图像区域及得分情况。10种物体的分类检测情况如图13.5所示。

利用cifar10卷积神经网络模型，能够快速检测出图像中存在的其他10种目标物体，分类识别情况如图13.5所示。

图13.4　图像分类程序运行情况

图13.5　实现的10种物体的分类检测