非极大值抑制NMS算法实现

      众所周知，NMS在计算机视觉和深度学习领域有着广泛的应用，特别是目标检测，视频行为动作定位等都有所涉及。其目的是消除重复的检测框或者时间段。下面以行人检测为例进行说明，目标检测算法一般都会给出检测目标的位置和预测置信度（或分数），然后NMS算法会根据分数排序（由高到底）检测框，对于分数较低的检测框会在一定阈值（IOU）条件下舍弃。

     IOU的计算有两种计算方法，一种是union，另一种是min，看下图说明就明白了~

其中，广泛使用的是union模式，min模式非常适合目标检测框有包含的情况，以下实例可以看出很大区别。

一、结果图对比

先上图，NMS前行人检测效果图：

NMS后（union，IOU=0.5）为：

 

NMS后（min，IOU=0.5）为:

从上面图比较看出，min方法在很大程度上抑制了内部检测框的存在。

素材图片+代码下载地址：https://download.csdn.net/download/cuixing001/10841627

二、代码实现

function [selectedBbox,selectedScore,index] = nms2(bbox,score)
% 功能：单个类别的非极大值抑制算法实现
% 输入：bbox， M*4 double类型， 每一行代表[x,y,width,height]
%       score, M*1 double类型，预测分数
% 输出： selectedBbox, 最佳的boxes，N*4 double类型， [x,y,width,height]
%      selectedScore,N*1 double类型，预测分数
%      index , N*1 double类型，非极大值抑制候选索引
% author:cuixing
% email:cuixingxing150@gmail.com
%

%%  parameters
IOU = 0.5; % 0-1之间
type = 'min';

%% algorithm
selectedBbox =[];selectedScore =[];index=[];
[~,indexes] = sort(score,'descend');
bbox = bbox(indexes,:);
score = score(indexes,:);

while true
    if size(bbox,1)>=2 % 仍可迭代
        minx = min(bbox(1,1),bbox(2:end,1));
        miny = min(bbox(1,2),bbox(2:end,2));
        maxx = max(bbox(1,1)+bbox(1,3),bbox(2:end,1)+bbox(2:end,3));
        maxy = max(bbox(1,2)+bbox(1,4),bbox(2:end,2)+bbox(2:end,4));
        width = max(bbox(1,3)+bbox(2:end,3)-(maxx-minx),0);
        height = max(bbox(1,4)+bbox(2:end,4)-(maxy-miny),0);
        inter = width.*height; % 交集面积
        
        if strcmp(type,'union') % 方法选择
            o = inter./(bbox(1,3)*bbox(1,4)+bbox(2:end,3).*bbox(2:end,4)-inter);% 交并比
        else
            o = inter./min(bbox(1,3)*bbox(1,4),bbox(2:end,3).*bbox(2:end,4));% 交并比
        end
        del_index = o>IOU; % 需要删除的索引值
        selectedBbox = [selectedBbox;bbox(1,:)]; % 每次迭代第一组必定是候选项，分数最大
        selectedScore = [selectedScore;score(1,:)];% 每次迭代第一组必定是候选项，分数最大
        index = [index;indexes(1,:)];% 每次迭代第一组必定是候选项，分数最大
        
        bbox = bbox(2:end,:);% 更新bbox
        score = score(2:end,:);% 更新score
        indexes = indexes(2:end,:);% 更新indexes
        
        bbox(del_index,:) = []; % 删除重复的
        score(del_index,:) = [];
        indexes(del_index,:) = [];
    elseif size(bbox,1)==1 % 迭代最后一次结束
        selectedBbox = [selectedBbox;bbox(1,:)];
        selectedScore = [selectedScore;score(1,:)];
        index = [index;indexes(1,:)];
        break;
    else  % 迭代结束
        break;
    end
end

主函数为：

detector = peopleDetectorACF; % 2017a可使用ACF算法检测行人
I = imread('hongkong.jpg');
[bbox,score] = detect(detector,I,'MinSize',[146,64],'SelectStrongest',false);
% NMS前
I1 = insertObjectAnnotation(I,'rectangle',bbox,...
    cellstr(num2str(score)),'Color','g');
% NMS算法
[selectedBbox,selectedScore,index] = nms2(bbox,score);
I2 = insertObjectAnnotation(I,'rectangle',selectedBbox,...
    cellstr(num2str(selectedScore)),'Color','g');

figure, imshow(I1); ...
    title('NMS前');
figure, imshow(I2); ...
    title('NMS后');

Reference:

http://ww2.mathworks.cn/help/vision/ref/selectstrongestbbox.html?searchHighlight=selectStrongestBbox&s_tid=doc_srchtitle

http://ww2.mathworks.cn/help/vision/ref/selectstrongestbboxmulticlass.html

http://ww2.mathworks.cn/help/vision/ref/bboxprecisionrecall.html

https://blog.csdn.net/shuzfan/article/details/52711706