NMS（non maximum suppression）非极大值抑制

最新推荐文章于 2024-06-07 20:42:48 发布

qq_29750461

最新推荐文章于 2024-06-07 20:42:48 发布

阅读量257

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_29750461/article/details/83216261

版权

机器学习专栏收录该内容

53 篇文章 3 订阅

订阅专栏

目标检测中，NMS被用于后期的物体边界框去除中.

NMS 对检测得到的全部 boxes 进行局部的最大搜索，以搜索某邻域范围内的最大值，从而滤出一部分 boxes，提升最终的检测精度.

NMS 算法流程：

输入：

检测到的Boxes(同一个物体可能被检测到很多Boxes，每个box均有分类score)

输出：

最优的Box.（不止一个）

过程：

去除冗余的重叠 Boxes，对全部的 Boxes 进行迭代-遍历-消除.

1.将所有框的得分排序，选中最高分及其对应的框;

2. 遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，则将框删除;

3. 从未处理的框中继续选一个得分最高的，重复上述过程.

例：

假设某物体检测到 4 个 Boxes，每个 Box 分别对应一个类别 Score，根据 Score 从小到大排列依次为，(B1, S1), (B2, S2), (B3, S3), (B4, S4). S4 > S3 > S2 > S1.

Step 1. 根据Score 大小，从 Box B4 框开始；
Step 2. 分别计算 B1, B2, B3 与 B4 的重叠程度 IoU，判断是否大于预设定的阈值；如果大于设定阈值，则舍弃该 Box；同时标记保留的 Box. 假设 B3 与 B4 的阈值超过设定阈值，则舍弃 B3，标记 B4 为要保留的 Box；
Step 3. 从剩余的 Boxes 中 B1, B2 中选取 Score 最大的 B2，然后计算 B2 与剩余的 B1 的重叠程度 IoU；如果大于设定阈值，同样丢弃该 Box；同时标记保留的 Box.
重复以上过程，直到找到全部的保留 Boxes.

（最后找的Boxes不一定只有一个）

使用通俗点的例子

这里为什么是 $c/(a+b-c)$ ? 其实是为了减少误判的可能。

使用Python代码实现的过程像下面：

#测试 NMS(非极大值抑制算法)
import numpy as np
import matplotlib.pyplot as plt
#定义盒子
boxes=np.array([[100,100,210,220,0.71],
[250,250,420,420,0.8],
[220,200,320,330,0.92],
[100,100,210,210,0.72],
[230,240,325,330,0.81],
[220,230,315,340,0.9]])
def iou(xmin,ymin,xmax,ymax,areas,lastInd,beforeInd,threshold):
#xmin[lastInd]一个单独数据 m ,xmin[beforeInd]一组数据
#比较m和后者的每个数据，m大，则后一组数据对应位置为 m
#当前bbox和剩下bbox之间的交叉区域
# 选择大于x1,y1和小于x2,y2的区域
xminTmp=np.maximum(xmin[lastInd],xmin[beforeInd])
yminTmp=np.maximum(ymin[lastInd],ymin[beforeInd])
xmaxTmp=np.minimum(xmax[lastInd],xmax[beforeInd])
ymaxTmp=np.minimum(ymax[lastInd],ymax[beforeInd])

width=np.maximum(0.0,xmaxTmp-xminTmp+1)
height=np.maximum(0.0,ymaxTmp-yminTmp+1)
#print(width,height)
#计算存活 box 和 last 指向box的交集
interSection=width*height
union=areas[beforeInd]+areas[lastInd]-interSection
iou_value=interSection/union
print("iou_value",iou_value)
indexOutput=[item[0] for item in zip(beforeInd,iou_value) if item[1]<=threshold]
return indexOutput
def nms(boxes,threshold):
#判断是否是ndarray的数据
assert isinstance(boxes,np.ndarray)
assert boxes.shape[1]==5

xmin=boxes[:,0]
ymin=boxes[:,1]
xmax=boxes[:,2]
ymax=boxes[:,3]
scores=boxes[:,4]
#计算每个盒子的区域
#print(xmax-xmin+1)
areas=(xmax-xmin+1)*(ymax-ymin+1)
#每个盒子的分数升序排列
scoreSort=sorted(list(enumerate(scores)),key=lambda item:item[1])

#save 升序排列的 index [0, 3, 1, 4, 5, 2]
index=[item[0] for item in scoreSort]
keep=[]
while len(index)>0:
lastInd=index[-1]
keep.append(lastInd)
#print(index[:-1])
#计算 iou index[:-1]:打印 [0,3,1,4,5]
index=iou(xmin,ymin,xmax,ymax,areas,lastInd,index[:-1],threshold)
#print(keep)
return keep
def bbox(dets,c='k'):
x1=dets[:,0]
y1=dets[:,1]
x2=dets[:,2]
y2=dets[:,3]
plt.plot([x1,x2],[y1,y1],c)
plt.plot([x1,x1],[y1,y2],c)
plt.plot([x1,x2],[y2,y2],c)
plt.plot([x2,x2],[y1,y2],c)
plt.title("after nms")
if __name__=='__main__':
bbox(boxes,'k')
remain=nms(boxes,threshold=0.6)
#print(boxes[remain])
bbox(boxes[remain],'y')