非极大值抑制(NMS)仿真代码:来自论文Efficient Non-Maximum Suppression

最新推荐文章于 2022-04-30 16:17:28 发布
最新推荐文章于 2022-04-30 16:17:28 发布
阅读量3.5k 收藏 6
点赞数
分类专栏： 未分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wfh2015/article/details/79925188
版权

非极大值抑制(Efficient Non-Maximum Suppression)

这里说的非极大值抑制与平时说的非极大值抑制有点不太一样， 平时说的NMS指的是在检测算法中的应用，将多个矩形框进行筛选，筛选出所需要的矩形框。而本文所说的NMS主要是来自一篇论文Neubeck A, Gool L V. Efficient Non-Maximum Suppression[C]// International Conference on Pattern Recognition. IEEE Computer Society, 2006:850-855.。如果代码仿真有问题，还请大家原谅！

一维3连通域NMS(1D NMS for 3-Neighborhood)

#include <vector>
#include <algorithm>
#include <time.h>
#include "opencv2/opencv.hpp"

/** @brief 对3领域情况的数据非极大值抑制算法并获取其最大值的索引

@param data int类型数据, 可在代码中适当的修改
@param index 对获得的局部最大值索引
*/
static void nms(const std::vector<int>& data, std::vector<int>& index)
{
    index.clear();

    // 对算法不能处理的数据进行处理
    if (data.size() == 1) index.push_back(0);
    else if (data.size() == 2)
    {
        int idx = data[1] > data[0] ? 1 : 0;
        index.push_back(idx);
        return;
    }
    else if (data.size() <= 0) return;
    else {}

    /data.size()>=3处理//
    int i = 1;
    while (i <= data.size()-2)
    {
        if (data[i] > data[i + 1])
        {
            if (data[i] >= data[i - 1]) index.push_back(i);
        }
        else
        {
            ++i;
            while ((i <= data.size() - 2) && (data[i] <= data[i + 1])) ++i;
            if (i <= data.size() - 2) index.push_back(i);
        }
        i = i + 2;

    } // End Outer while
}


/** @brief 验证写的非极大值抑制算法

@param data 原始数据
@param index 获取的极大值索引
*/
static bool VerifyNms(std::vector<int>& data, std::vector<int>& index)
{
    for (int i = 0; i < index.size(); ++i)
    {
        int idx = index[i];
        if ((data[idx] >= data[idx - 1]) && (data[idx] > data[idx + 1])) continue;
        return false;
    }

    return true;
}

/** @brief 随机产生vector类型数据, 数据个数为num个

@param data 用来接收所产生的数据
@param num data数据的个数
*/
static void CreateVec(std::vector<int>& data, int num)
{
    data.clear();
    srand(unsigned(time(NULL)));
    for (int i = 0; i < num; ++i)
    {
        data.push_back(i);
    }
    std::random_shuffle(data.begin(), data.end());
}

// 测试3领域非极大值抑制
void test_Nms3Field()
{
    std::vector<int> data;
    std::vector<int> index;

    const int times = 1000000;
    for (int i = 0; i < times; ++i)
    {
        std::cout << i << ": ";
        CreateVec(data, 8);
        std::cout << "create data !";

        nms(data, index);
        std::cout << "\tIndexNum:" << index.size();

        bool flag = VerifyNms(data, index);
        std::cout << "\tverify:";
        std::cout << ((flag == true) ? " " : "错误") << std::endl;
    }

    //cv::waitKey(1);
}

一维多领域(1D NMS for (2n + 1)-Neighborhood)

#include <vector>
#include <algorithm>
#include <time.h>
#include "opencv2/opencv.hpp"

/** @brief 对3领域情况的数据非极大值抑制算法并获取其最大值的索引

@param data int类型数据, 可在代码中适当的修改
@param index 对获得的局部最大值索引
*/
static void nms(const std::vector<int>& data, std::vector<int>& index)
{
    index.clear();

    // 对算法不能处理的数据进行处理
    if (data.size() == 1) index.push_back(0);
    else if (data.size() == 2)
    {
        int idx = data[1] > data[0] ? 1 : 0;
        index.push_back(idx);
        return;
    }
    else if (data.size() <= 0) return;
    else {}

    /data.size()>=3处理//
    int i = 1;
    while (i <= data.size()-2)
    {
        if (data[i] > data[i + 1])
        {
            if (data[i] >= data[i - 1]) index.push_back(i);
        }
        else
        {
            ++i;
            while ((i <= data.size() - 2) && (data[i] <= data[i + 1])) ++i;
            if (i <= data.size() - 2) index.push_back(i);
        }
        i = i + 2;

    } // End Outer while
}


/** @brief 验证写的非极大值抑制算法

@param data 原始数据
@param index 获取的极大值索引
*/
static bool VerifyNms(std::vector<int>& data, std::vector<int>& index)
{
    for (int i = 0; i < index.size(); ++i)
    {
        int idx = index[i];
        if ((data[idx] >= data[idx - 1]) && (data[idx] > data[idx + 1])) continue;
        return false;
    }

    return true;
}

/** @brief 随机产生vector类型数据, 数据个数为num个

@param data 用来接收所产生的数据
@param num data数据的个数
*/
static void CreateVec(std::vector<int>& data, int num)
{
    data.clear();
    srand(unsigned(time(NULL)));
    for (int i = 0; i < num; ++i)
    {
        data.push_back(i);
    }
    std::random_shuffle(data.begin(), data.end());
}

// 测试3领域非极大值抑制
void test_Nms3Field()
{
    std::vector<int> data;
    std::vector<int> index;

    const int times = 1000000;
    for (int i = 0; i < times; ++i)
    {
        std::cout << i << ": ";
        CreateVec(data, 8);
        std::cout << "create data !";

        nms(data, index);
        std::cout << "\tIndexNum:" << index.size();

        bool flag = VerifyNms(data, index);
        std::cout << "\tverify:";
        std::cout << ((flag == true) ? "正确" : "错误") << std::endl;
    }

    //cv::waitKey(1);
}

二维多领域NMS(2D (n + 1) × (n + 1)-Block NMS)

#include <vector>
#include <cassert>
#include "opencv2/opencv.hpp"

/** @brief 2D非极大值抑制算法-主要是针对图像

@param bin 单通道矩阵
@param index 获取的极大值坐标的映射图
@param n 领域数目(2n+1)*(2n+1)
*/
static void nms_2D(cv::Mat& bin, cv::Mat& index, int n)
{
    CV_Assert(bin.type() == CV_8UC1);
    assert((n % 2 == 1) && (n > 0));
    assert((bin.rows >= n) && (bin.cols >= n));

    index = cv::Mat::zeros(bin.rows, bin.cols, CV_8UC1);
    n = n / 2;

    for (int y = n; y <= bin.rows - n - 1; ++y)
    {
        for (int x = n; x <= bin.cols - n - 1; ++x)
        {
            uchar v = bin.at<uchar>(y, x);
            cv::Point m = cv::Point(x, y);

            for (int y2 = y; y2 <= y + n; ++y2)
            {
                for (int x2 = x; x2 <= x + n; ++x2)
                {
                    if ((x2 < 0) || (x2 >= bin.cols) || (y2 < 0) || (y2 >= bin.rows)) continue;
                    if (bin.at<uchar>(y2, x2) > bin.at<uchar>(m.y, m.x))    m = cv::Point(x2, y2);
                } // End x2
            } //End y2

            for (int y2 = m.y - n; y2 <= m.y + n; ++y2)
            {
                for (int x2 = m.x - n; x2 <= m.x + n; ++x2)
                {
                    if ((x2 < 0) || (x2 >= bin.cols) || (y2 < 0) || (y2 >= bin.rows)) continue;
                    if (bin.at<uchar>(y2, x2) > bin.at<uchar>(m.y, m.x))
                    {
                        goto failed;    // goto failed
                    }
                } // End x2
            } // End y2
            index.at<uchar>(m.y, m.x) = 255;
        failed:
            ;
        } // End x
    } // End y
    //cv::waitKey(1);
}


void test_nms_2D()
{

    std::string path = "../Resources/wechat_20180409161327.bmp";
    cv::Mat img = cv::imread(path, cv::IMREAD_GRAYSCALE);
    if (!img.data) return;
    img = ~img;

    cv::Mat index;
    nms_2D(img, index, 5);

    cv::imshow("图像原图", img);
    cv::imshow("找出来的结果", index);
    cv::waitKey(0);
}
wfh2015
关注
专栏目录
非极大值抑制（Non-Maximum Suppression，NMS）
Xinyu_cheng的博客
09-26 439
1. 前言 非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。 以目标检测网络为例，常见的两阶段网络，诸如faster R-CNN、Mask R-CNN等都会用到nms，在网络输出后会产生许多候选框结果，而每个候选框都会对应一个分数。但是...
NMS：Efficient Non-Maximum Suppression论文解读（NMS详解）
魔筝炼药师
08-08 5843
NMS，非极大值抑制算法，用于目标检测的后处理，去除重叠度较高的冗余检测结果。 参考： https://www.bbsmax.com/A/A2dmV1YOze/ http://blog.sina.com.cn/s/blog_6fdc463b0102vcu5.html https://blog.csdn.net/shaoxiaohu1/article/details/16817971 ...
NMS通用算法_论文《Efficient Non-Maximum Suppression》（中文）
04-09
NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。
【论文阅读】非极大值抑制
小小小草儿的博客哟
03-08 1450
1.非极大值抑制 非极大值抑制（NMS）就是抑制不是极大值的元素，进一步搜索局部最大值。在YOLO算法以及一些其他的目标检测算法中，会生成很多候选框，每一个候选框都会输入到一个分类器中得到一个置信值。因为在窗口滑动的过程中，候选框之间会有很多的重叠区域，因此要进行筛选。 2.算法流程 （1）把置信度最高的一个bounding box作为目标，将剩下bbox与该目标bbox求交区域面积。 （...
非极大值抑制（NMS）
知识搬运工的博客
03-15 7453
极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如...
【深度学习】非极大值抑制 (Non-Maximum Supression，NMS)
JNing
01-05 3435
【深度学习】非极大值抑制 (Non-Maximum Supression)
Learning non-maximum suppression 论文笔记
weixin_40253737的博客
07-31 936
background ​ 任务：通过可学习的NMS，代替传统的NMS。关键词：Learning non-maximum suppression​ Introduction 传统的NMS基本都是不健全的，阈值的不同，检测的效果也不同，而且不同的场景中的阈值必然不同，但预测时的超参数是固定的，所以传统的NMS很难找到一个合适的阈值，使其达到很好的效果。​ 本文主要是像通过神经网络来代替NMS，通过一个可训练的网络，来达到健全的效果，能够适应场景的变化，但是本文中的神经网络的缺点就是参数众多，需要大量的实验数.
Non-Maximum-Suppression:描述非极大值抑制（Non-Maximum-Suppression，NMS）
05-08
**非极大值抑制（Non-Maximum-Suppression，NMS）**是抑制非极大值的元素，可以理解为局部最大搜索。NMS算法在计算机视觉中有广泛应用，特别是目标检测领域。本文将以目标检测举例，讨论NMS算法的实现过程。 TODO: ...
非极大值抑制（Non-Maximum-Suppression）
08-01
非极大值抑制（Non-Maximum Suppression，NMS）是一种在计算机视觉和图像处理领域广泛应用的技术，特别是在目标检测和图像分割中。它的主要目的是消除重复的或重叠的检测结果，只保留最具代表性的检测框，从而提高...
非极大值抑制 python_非极大值抑制（Non-Maximum Suppression，NMS）
weixin_39534395的博客
12-16 446
概述非极大值抑制(Non-Maximum Suppression，NMS)，顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如在行人...
毕业设计之非极大值抑制
qq_44857215的博客
04-30 595
非极大值抑制（nonMaximumSuppression）：简称为NMS算法。是一种获取局部最大值的有效方法。在目标检测中运用NMS可以剔除多余的候选框（这些框往往具有较高的重合性）。 非极大值抑制算法的Python实现 import numpy as np import cv2 def non_max_suppression(boxes, max_bbox_overlap, scores=None): """Suppress overlapping detections. 非极大值
Efficient Non Maximum Suppression 笔记（不完整版）
shaoxiaohu的专栏
12-08 9895
Non Maximum Suppression，非极大值抑制
非极大值抑制算法
周先森爱吃素的博客
04-30 1212
本文介绍目标检测中常用的NMS算法，并使用Python进行实现并在行人检测图上进行实验。
非极大抑制（Non-Maximum Suppression）
holly的专栏
01-30 551
最近在看RCNN和微软的SPP-net，其中涉及到Non-Maximum Suppression，论文中没具体展开，我就研究下了代码，这里做一个简单的总结，听这个名字感觉是一个很高深的算法，其实很简单，就是把找出score比较region，其中需要考虑不同region的一个重叠问题。 　　假设从一个图像中得到了2000region proposals，通过在RCNN和SPP-net之后我们会得到
NMS-Free论文---Relation Networks for Object Detection解读
twn29004的博客
01-07 858
代码链接 paper链接 个人博客 问题 本文首先提出了一个目前在目标检测领域的一个共识就是: 丰富的上下文信息和目标之间的关系能够更好的帮助网络去检测目标。但是现有的网络都没有很好的利用这个信息，或者说现有的卷积神经网络都不能很好的处理这些问题。原因是一个场景中往往有很多类别的目标，且类别的数目是不一定的，而且目标的数目也是不一定的。因此，按照之前的CNN网络很难对这些目标之间的关系进行建模。作者受到在NLP领域中非常成功的Transformer的影响，提出了一种自适应的注意力网络用于目标检测领域。作者.
论文阅读：Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection
Kivee的博客
09-26 4629
Softer-NMS 文章   和之前同样出自Megvii的一篇论文IoU-Net一样，这篇论文的出发点也是，two-stage detector进行NMS时用到的score仅仅是classification score，不能反映bounding box的定位精准度，因此引入了一个反映其定位精准度的因变量。本文的这个因变量就是bounding box的4个坐标的方差。 可以看到，除了预测box的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值