非极大值抑制python_非极大值抑制（NMS，Non-Maximum Suppression）的原理与代码详解...

1、NMS的原理

NMS(Non-Maximum Suppression)算法在目标检测算法中得到广泛应用，本质是搜索局部极大值，抑制非极大值元素。NMS就是需要根据score矩阵和region的坐标信息，从中找到置信度比较高的bounding box。首先，根据score进行排序，然后计算出每一个bounding box的面积，把score最大的bounding box作为队列中。接下来，计算其余bounding box与当前最大score与box的IoU，去除IoU大于设定的阈值的bounding box。然后重复上面的过程，直至候选bounding box为空。最终，检测了bounding box的过程中有两个阈值，一个就是IoU，另一个是在过程之后，从候选的bounding box中剔除score小于阈值的bounding box。需要注意的是：Non-Maximum Suppression一次处理一个类别，如果有N个类别，Non-Maximum Suppression就需要执行N次。

2、NMS的实现代码详解(来自Fast-RCNN)

#--------------------------------------------------------#Fast R-CNN#Copyright (c) 2015 Microsoft#Licensed under The MIT License [see LICENSE for details]#Written by Ross Girshick#--------------------------------------------------------

importnumpy as npdefpy_cpu_nms(dets, thresh):"""Pure Python NMS baseline."""x1=dets[:, 0]

y1= dets[:, 1]

x2= dets[:, 2]

y2= dets[:, 3]

scores= dets[:, 4]

areas= (x2 - x1 + 1) * (y2 - y1 + 1)

order= scores.argsort()[::-1] #[::-1]表示降序排序，输出为其对应序号

keep= [] #需要保留的bounding box

while order.size >0:

i= order[0] #取置信度最大的(即第一个)框

keep.append(i) #将其作为保留的框

#以下计算置信度最大的框(order[0])与其它所有的框(order[1:]，即第二到最后一个)框的IOU，以下都是以向量形式表示和计算

xx1 = np.maximum(x1[i], x1[order[1:]]) #计算xmin的max,即overlap的xmin

yy1 = np.maximum(y1[i], y1[order[1:]]) #计算ymin的max,即overlap的ymin

xx2 = np.minimum(x2[i], x2[order[1:]]) #计算xmax的min,即overlap的xmax

yy2 = np.minimum(y2[i], y2[order[1:]]) #计算ymax的min,即overlap的ymax

w= np.maximum(0.0, xx2 - xx1 + 1) #计算overlap的width

h = np.maximum(0.0, yy2 - yy1 + 1) #计算overlap的hight

inter = w * h #计算overlap的面积

ovr = inter / (areas[i] + areas[order[1:]] - inter) #计算并，-inter是因为交集部分加了两次。

inds= np.where(ovr <= thresh)[0] #本轮，order仅保留IOU不大于阈值的下标

order = order[inds + 1] #删除IOU大于阈值的框

return keep

原文：https://www.cnblogs.com/houjun/p/10454117.html