NMS精简代码

NMS用于剔除图像中检出的冗余bbox，标准NMS的具体做法为：

step-1：将所有检出的output_bbox按cls score划分（如pascal voc分20个类，也即将output_bbox按照其对应的cls score划分为21个集合，1个bg类，只不过bg类就没必要做NMS而已）；

step-2：在每个集合内根据各个bbox的cls score做降序排列，得到一个降序的list_k；

step-3：从list_k中top1 cls score开始，计算该bbox_x与list中其他bbox_y的IoU，若IoU大于阈值T，则剔除该bbox_y，最终保留bbox_x，从list_k中取出；

step-4：选择list_k中top2 cls score(步骤3取出top 1 bbox_x后，原list_k中的top 2就相当于现list_k中的top 1了，但如果step-3中剔除的bbox_y刚好是原list_k中的top 2，就依次找top 3即可，理解这么个意思就行)，重复step-3中的迭代操作，直至list_k中所有bbox都完成筛选；

step-5：对每个集合的list_k，重复step-3、4中的迭代操作，直至所有list_k都完成筛选；

精简代码示例：

import numpy as np
import pdb

#dets shape: n,5
def nms(dets,th):
    
    x1=dets[:,0]
    y1=dets[:,1]
    x2=dets[:,2]
    y2=dets[:,3]
    arear=(x2-x1+1)*(y2-y1+1)
    index=dets[:,4].argsort()[::-1]
    keep=[]
    while len(index)>0:
        i=index[0]
        others=index[1:]
        keep.append(i)
        #cal iou
        over_x1=np.maximum(x1[i],x1[others])
        over_y1=np.maximum(y1[i],y1[others])
        over_x2=np.minimum(x2[i],x2[others])
        over_y2=np.minimum(y2[i],y2[others])
        w=np.maximum(over_x2-over_x1+1,0)
        h=np.maximum(over_y2-over_y1+1,0)
        inter=w*h
        top_arear=arear[i]
        iou=inter/(arear[i]+arear[others]-inter)
        index=others[iou<th]
    return dets[np.array(keep)]

if __name__ == "__main__":
    dets=np.array([[100,120,170,200,0.98],
                    [20,40,80,90,0.99],
                    [20,38,82,88,0.96],
                    [200,380,282,488,0.9],
                    [19,38,75,91,0.8] ])
    out=nms(dets,0.5)
    print(out)