非极大值抑制算法（NMS）

定义： 非极大值抑制（Non-maximum suppression，NMS）是一种去除非极大值的算法，常用于计算机视觉中的边缘检测、物体识别、人脸检测、目标检测（DPM，YOLO，SSD，Faster R-CNN）等。其思想是搜素局部最大值，抑制非极大值。

算法流程： 给出一张图片和上面许多物体检测的候选框（即每个框可能都代表某种物体），但是这些框很可能有互相重叠的部分，我们要做的就是*** 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，只保留最优的框***。

非极大值抑制的流程：

先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。

(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;

(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。

就这样一直重复，找到所有被保留下来的矩形框。

需要优化的参数： IoU 的阈值是一个可优化的参数，一般范围为0~0.5，可以使用交叉验证来选择最优的参数。

产生proposal后使用分类网络给出每个框的每类置信度,使用回归网络修正位置,最终应用NMS.