IOU(numpy实现):
import numpy as np
# 定义IOU(交并比)计算公式, 传入真实框和其他移动后的框
def iou(box, boxes, isMin=False):
box_area = (box[2] - box[0]) * (box[3] - box[1]) # 计算原始真实框的面积
boxes_area = (boxes[:, 2] - boxes[:, 0]) * (boxes[:, 3] - boxes[:, 1]) # 计算移动后的框的面积,这里计算的是矩阵
# 找到两个框的内部点计算交集
x1 = np.maximum(box[0], boxes[:, 0])
y1 = np.maximum(box[1], boxes[:, 1])
x2 = np.minimum(box[2], boxes[:, 2])
y2 = np.minimum(box[3], boxes[:, 3])
# 然后找到交集区域的长和宽,有的框没有交集那么相差可能为负,所以需要使用0来规整数据
w = np.maximum(0, x2 - x1)
h = np.maximum(0, y2 - y1)
# 计算交集的面积
inter_area = w * h
# 两种计算方法:1是交并比等于交集除以并集,2是交集除以最小的面积
if isMin:
ovr_area = np.true_divide(inter_area, np.minimum(boxes_area, box_area))
else:
ovr_area = np.true_divide(inter_area, (boxes_area + box_area - inter_area))
# 返回交并比,也就是IOU
return ovr_area
NMS(numpy实现):
# 定义NMS,筛选符合标准的线框
def nms(boxes, thresh=0.3, isMin=False):
# 如果照片里面没有框数据了,就返回空列表
if len(boxes) == 0:
return np.array([])
# 以计算出的iou从大到小排列
_boxes = boxes[(-boxes[:, 4]).argsort()]
r_boxes = []
# 如果框的有1个以上就进行对比
while len(_boxes) > 1:
a_box = _boxes[0] # 取出最大的框
b_boxes = _boxes[1:] # 剩下的框分别和之前的进行比对
r_boxes.append(a_box) # 先将最大iou的框添加到保留框的列表中
# 保留iou 小于0.3的,说明这个框和目前比对的不是同一个框,去除交集较多的框
index = np.where(iou(a_box, b_boxes, isMin) <= thresh)
_boxes = b_boxes[index]
# _boxes = b_boxes[iou(a_box, b_boxes, isMin) < thresh]
# 如果保留的框数量大于0,则添加iou最大的那个框
if len(_boxes) > 0:
r_boxes.append(_boxes[0])
# 将这些框堆叠在一起
return np.stack(r_boxes)
Convert2Square(Numpy实现):
# 定义函数将P网络在原图中抠出来的带有人脸的框转变成正方形,以便输入到R网络中
def convert_to_square(bbox):
squre_bbox = bbox.copy()
if len(bbox) == 0:
return np.array([])
h = bbox[:,3]-bbox[:,1]
w = bbox[:,2]-bbox[:,0]
max_side = np.maximum(w,h)
squre_bbox[:,0] = bbox[:,0]+w*0.5-max_side*0.5
squre_bbox[:,1] = bbox[:, 1] + h* 0.5 - max_side * 0.5
squre_bbox[:,2] = squre_bbox[:,0]+max_side
squre_bbox[:,3] = squre_bbox[:,1]+max_side
return squre_bbox
注:也可以将numpy换成torch,但是numpy的速度要比torch快一点