NMS算法

一、IoU（交并比）

计算交集：

计算并集：

计算IoU：

二、NMS（非极大值抑制）

以目标检测为例：

        目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。

例：

        左图是人脸检测的候选框结果，每个边界框有一个置信度得分(confidence score)，如果不使用非极大值抑制，就会有多个候选框出现。右图是使用非极大值抑制之后的结果，符合我们人脸检测的预期结果。

非极大值抑制的流程如下：

输入：目标边界框列表及其对应的置信度得分列表，设定阈值，阈值用来删除重叠较大的边界框

①根据置信度得分进行排序

②选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除

③计算置信度最高的边界框与其它候选框的IoU。

④删除IoU大于阈值的边界框

⑤重复②③④，直至边界框列表为空。

python代码实现：