非极大值抑制_CV学习笔记（二十五）：NMS非极大值抑制算法

非极大值抑制算法（Non-maximum suppression, NMS）是有anchor系列目标检测的标配，NMS主要用于消除多余的检测框，那么消除的标准是什么，我们使用IOU作为标准来进行演示，IOU的原称为Intersection over Union，也就是两个box区域的交集比上并集。

大致流程：

选取这类box中scores最大的那一个，记为current_box，并保留它(为什么保留它，因为它预测出当前位置有物体的概率最大啊，对于我们来说当前confidence越大说明当前box中包含物体的可能行就越大)
计算current_box与其余的box的IOU
如果其IOU大于我们设定的阈值，那么就舍弃这些boxes（由于可能这两个box表示同一目标，因此这两个box的IOU就比较大，会超过我们设定的阈值，所以就保留分数高的那一个）
从最后剩余的boxes中，再找出最大scores的那一个(之前那个大的已经保存到输出的数组中，这个是从剩下的里面再挑一个最大的)，如此循环往复

代码实现：

#使用IOU（交互比），来判断预测的边框和真实的边框的交集
def iou_of(boxes0, boxes1, eps=1e-5):
    overlap_left_top = np.maximum(boxes0[..., :2], boxes1[..., :2])
    overlap_right_bottom = np.minimum(boxes0[..., 2:], boxes1[..., 2:])
    overlap_area = area_of(overlap_left_top, overlap_right_bottom)
    area0 = area_of(boxes0[..., :2], boxes0[..., 2:])
    area1 = area_of(boxes1[..., :2], boxes1[..., 2:])
    return overlap_area / (area0 + area1 - overlap_area + eps)


#非极大值抑制算法，最后一层网络，搜索局部极大值，抑制非极大值元素
#消除多余的检测框，从左到右消除了重复的检测框，只保留当前最大confidence的检测框
'''
Args:
    box_scores：box检测框的集合，-1表示全保留
    iou_threshold ：IOU标准获得去除多余检测框
    top_k=-1：保留所有的计算后的候选框
    candidate_size=200：参与计算的box数量
'''

def hard_nms(box_scores, iou_threshold, top_k=-1, candidate_size=200):
    scores = box_scores[:, -1] #box中的最后一个元素也就是当前box检测到物体的概率
    boxes = box_scores[:, :-1]#取出左上，右下坐标
    picked = []
    # _, indexes = scores.sort(descending=True)
    #将成绩从小到大排序，得到索引信息
    indexes = np.argsort(scores)
    # indexes = indexes[:candidate_size]
    indexes = indexes[-candidate_size:]
    #只保留condidate_size个boxes
    while len(indexes) > 0:
        # current = indexes[0]
        current = indexes[-1]#取出box最大的概率
        picked.append(current)
        if 0 < top_k == len(picked) or len(indexes) == 1:
            break
        current_box = boxes[current, :]
        # indexes = indexes[1:]
        indexes = indexes[:-1]
        rest_boxes = boxes[indexes, :]#剩下的BOXIOU标准
        iou = iou_of(rest_boxes, np.expand_dims(current_box, axis=0))
        indexes = indexes[iou <= iou_threshold]#保留小于一定阈值的boxes
    return box_scores[picked, :]

参考文章：

IU、IoU(Intersection over Union)的概念理解以及python程序实现​blog.csdn.net

#使用IOU（交互比），来判断预测的边框和真实的边框的交集
def iou_of(boxes0, boxes1, eps=1e-5):
overlap_left_top = np.maximum(boxes0[..., :2], boxes1[..., :2])
overlap_right_bottom = np.minimum(boxes0[..., 2:], boxes1[..., 2:])
overlap_area = area_of(overlap_left_top, overlap_right_bottom)
area0 = area_of(boxes0[..., :2], boxes0[..., 2:])
area1 = area_of(boxes1[..., :2], boxes1[..., 2:])
return overlap_area / (area0 + area1 - overlap_area + eps)
#非极大值抑制算法，最后一层网络，搜索局部极大值，抑制非极大值元素
#消除多余的检测框，从左到右消除了重复的检测框，只保留当前最大confidence的检测框
'''
Args:
box_scores：box检测框的集合，-1表示全保留
iou_threshold ：IOU标准获得去除多余检测框
top_k=-1：保留所有的计算后的候选框
candidate_size=200：参与计算的box数量
'''
def hard_nms(box_scores, iou_threshold, top_k=-1, candidate_size=200):
scores = box_scores[:, -1] #box中的最后一个元素也就是当前box检测到物体的概率
boxes = box_scores[:, :-1]#取出左上，右下坐标
picked = []
# _, indexes = scores.sort(descending=True)
#将成绩从小到大排序，得到索引信息
indexes = np.argsort(scores)
# indexes = indexes[:candidate_size]
indexes = indexes[-candidate_size:]
#只保留condidate_size个boxes
while len(indexes) > 0:
# current = indexes[0]
current = indexes[-1]#取出box最大的概率
picked.append(current)
if 0 < top_k == len(picked) or len(indexes) == 1:
break
current_box = boxes[current, :]
# indexes = indexes[1:]
indexes = indexes[:-1]
rest_boxes = boxes[indexes, :]#剩下的BOXIOU标准
iou = iou_of(rest_boxes, np.expand_dims(current_box, axis=0))
indexes = indexes[iou <= iou_threshold]#保留小于一定阈值的boxes
return box_scores[picked, :]