目标检测非极大值抑制(NMS)

1.非极大值抑制意义
在目标检测任务中，通常会在同一个目标位置产生大量候选框，候选框之间会相互重叠，因此需要使用非极大值抑制算法寻找最佳位置的候选框，消除冗余框。
下图为centerface识别人脸结果，产生很多候选框。

2.非极大值抑制算法流程

1. 将所有边界框存入边界框列表，并根据每一个边界框的置信度进行排序；
2. 新建一个空的最终输出列表，
3. 将置信度最高的边界框从原边界框列表中删除，存入最终输出列表；
4. 设定一个IOU阈值(0-1之间)；
5. 计算置信度最高的边界框与边界框列表中其他边界框的IOU，并删除IOU大于设定阈值的边界框。
6. 重复3-5步，直至边界框列表为空。

python代码：

def nms(boxes, scores, nms_thresh):
    """
    非极大值抑制
    :param boxes: 边界框
    :param scores: 边界框的置信度
    :param nms_thresh: IOU阈值
    :return: 非极大值抑制结果
    """
    x1 = boxes[:, 0]
    y1 = boxes[:, 1]
    x2 = boxes[:, 2]
    y2 = boxes[:, 3]
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = np.argsort(scores)[::-1]       # 根据置信度进行排序
    num_detections = boxes.shape[0]
    suppressed = np.zeros((num_detections,), dtype=np.bool)

    keep = []
    for _i in range(num_detections):
        i = order[_i]
        if suppressed[i]:
            continue
        keep.append(i)

        ix1 = x1[i]
        iy1 = y1[i]
        ix2 = x2[i]
        iy2 = y2[i]
        iarea = areas[i]

        for _j in range(_i + 1, num_detections):
            j = order[_j]
            if suppressed[j]:
                continue

            xx1 = max(ix1, x1[j])
            yy1 = max(iy1, y1[j])
            xx2 = min(ix2, x2[j])
            yy2 = min(iy2, y2[j])
            w = max(0, xx2 - xx1 + 1)
            h = max(0, yy2 - yy1 + 1)

            inter = w * h
            ovr = inter / (iarea + areas[j] - inter)
            if ovr >= nms_thresh:
                suppressed[j] = True

    return keep

非极大值抑制结果如下图：