解决图像目标检测两框重叠问题

最新推荐文章于 2024-08-30 11:34:41 发布

最小森林

最新推荐文章于 2024-08-30 11:34:41 发布

阅读量2.1w

点赞数 8

分类专栏：图像处理文章标签： Suppression yolo 两框重叠

本文链接：https://blog.csdn.net/u012052268/article/details/105989026

版权

本文介绍了在使用YOLOv3等目标检测模型时遇到的两框重叠问题，并详细阐述了非极大值抑制(Non-Maximum Suppression, NMS)的原理，包括为什么需要NMS以及如何实施。通过NMS可以有效消除冗余边界框，提高目标检测的准确性。同时，文章提供了调整IoU阈值来优化效果的方法。" 122242543,9319238,Python数据提取：结构化与非结构化数据解析库,"['Python', '数据解析', '爬虫', 'json模块', '正则表达式']

摘要由CSDN通过智能技术生成

1 问题现象

使用yolo v3 等目标检测模型训练自己数据集，预测图片时出现问题：两框重叠，如下图所示：对于同样一辆汽车，模型反复的标记。

在这里插入图片描述

2 解决办法

解决办法就是：非极大值抑制(Non-Maximum Suppression)

3 Non-Maximum Suppression 原理

3.1 什么是非极大值抑制

非极大值抑制，简称为NMS算法，英文为Non-Maximum Suppression。其思想是搜素局部最大值，抑制极大值。NMS算法在不同应用中的具体实现不太一样，但思想是一样的。非极大值抑制，在计算机视觉任务中得到了广泛的应用，例如边缘检测、人脸检测、目标检测（DPM，YOLO，SSD，Faster R-CNN）等。

3.2 为什么要用非极大值抑制

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。Demo如下图：

在这里插入图片描述
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。

3.3 如何使用非极大值抑制

前提：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。
IoU：intersection-over-union，即两个边界框的交集部分除以它们的并集。

非极大值抑制的流程如下：

根据置信度得分进行排序
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
计算所有边界框的面积
计算置信度最高的边界框与其它候选框的IoU。
删除IoU大于阈值的边界框
重复上述过程，直至边界框列表为空。

Python代码如下：

#!/usr/bin/env python
# _*_ coding: utf-8 _*_


import cv2
import numpy as np


"""
    Non-max Suppression Algorithm

    @param list  Object candidate bounding boxes
    @param list  Confidence score of bounding boxes
    @param float IoU threshold

    @return Rest boxes after nms operation
"""
def nms(bounding_boxes, confidence_score, threshold):
    # If no bounding boxes, return empty list
    if len(bounding_boxes) == 0:
        return [], []

    # Bounding boxes
    boxes = np.array(bounding_boxes)

    # coordinates of bounding boxes
    start_x = boxes[:, 0]
    start_y = boxes[:, 1]
    end_x = boxes[:, 2]
    end_y = boxes[:, 3]

    # Confidence scores of bounding boxes
    score = np.array(confidence_score)

    # Picked bounding boxes
    picked_boxes = []
    picked_score