NMS算法原理及代码验证

NMS算法常常在图像目标检测的各种算法中使用。原始图像中，单个检测目标往往被识别出多个位置、大小都不相同的目标检测框，这些检测框可以是类似于这样的名字，bbox（bounding box）, region proposal， anchors等等。可以在诸如faster rcnn或YOLO算法中看到。

举例来讲，原始图中包含两个检测物体，每个检测物体会存在许多检测框。因为是同一个物体，因此这些框的IOU值都很高（相比较不同物体的检测框来说）。针对同一个检测目标，有必要只留下置信度（score）最高的那个检测框作为该物体的检测框，其它的都应该过滤掉。

该算法具体的步骤如下：

1、假定有6个带置信率的region proposals，并预设一个IOU的阈值如0.7。

2、按置信率大小对6个框排序: 0.95, 0.9, 0.9, 0.8, 0.7, 0.7。

3、设定置信率为0.95的region proposals为一个物体框；

4、在剩下5个region proposals中，去掉与0.95物体框IOU大于0.7的。

5、重复2～4的步骤，直到没有region proposals为止。

6、每次获取到的最大置信率的region proposals就是我们筛选出来的目标。

这个操作的直观结果，就是图片上每个待检查物体，仅仅保留一个置信率最大region proposals。

凡是与这个置信率最大的框相交面积大于某个阈值的其它框，统统去掉。

因此，调