MTCNN中的IOU详解

在MTCNN中，NMS的使用里面最重要的有一环就是IOU，

下面就来说一说IOU(Intersection Over Union)的基本原理:

IOU的意思是交并比，下图可以看到求IOU过程会遇到的几种情况：

情况1：两个框只有部分交集，此时交并比等于交集比并集

那在目标检测中遇到这样的情况，已只box1和box2的坐标，如何用代码体现交并比呢？

box1和box2的面积倒是不难，那么计算到交集面积就ok了。

其实交集面积不难计算，就记住一条：x1,y1的最大值，x2,y2的最小值就是交集部分的坐标

情况2：两个框重合

在MTCNN中，对于这种情况，可以直接使用交集比最小集来去除框

情况3：两种框没有交集

这种情况，无需多言，交集为0，两个框都是我们需要的，都留下。

附上代码：

def iou(box,boxes,isMin=False):
    box_area=(box[2]-box[0])*(box[3]-box[1])
    boxes_area=(boxes[:,2]-boxes[:,0])*(boxes[:,3]-boxes[:,1])
    x1=np.maximum(box[0],boxes[:,0])
    y1=np.maximum(box[1],boxes[:,1])
    x2=np.minimum(box[2],boxes[:,2])
    y2=np.minimum(box[3],boxes[:,3])
    "避免出现负数，x2-x1<0,表示两个框不相交"
    w=np.maximum(0,x2-x1)
    h=np.maximum(0,y2-y1)
    inter=w*h
    if isMin:
        iou=np.true_divide(inter,np.minimum(box_area,boxes_area))
    else:
        iou=np.true_divide(inter,(boxes_area+box_area-inter))
    return iou

代码中box是NMS选出置信度最高的那一个，boxes是余下的所有框。