NMS—非极大值抑制算法的理解

一、概念

在目标检测中，得到多个候选框及其置信度得分。非极大值抑制算法(NMS)对多个候选框，去除重合率大的冗余候选框，得到最具代表性的结果，以加快目标检测的效率。

二、实例

以下图人脸检测为例，目标：消除重合率大且多余的候选框，保留某个区域的一个最优的候选框。

非极大值抑制算法(NMS)抑制冗余的框，抑制的过程是一个迭代-遍历-消除的过程。

这里写图片描述

1）将所有框的得分排序，选中最高分及其对应的框

a) 假设图中有A：0.75、B:0.98 、C：0.83、D:0.67、E：0.81

b) 将置信度升序排序为D:0.67、A：0.75、E：0.81、C：0.83、B:0.98

c) 选中得分最高的B:0.98

2）遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。

a)由B:0.98对其余A、C、D、E框计算IOU，B与A、C的IOU>阈值，删除A、C框。

b)第一轮得到B：0.98、D:0.67、E：0.81

这里写图片描述

3) 从未处理的D、E框中继续选一个得分最高的，重复上述过程。

a) 删除D框，保留E

b) 最后保留B、E框

这里写图片描述

三、Python代码

#候选框boxes为5列，分别是[x1 y1 x2 y2 score]，score为置信度得分
#threshold: IOU阈值
def py_nms(dets, thresh):

    #取出候选框左上角和右下角坐标以及置信度得分
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]
    
    #计算每一个框的面积
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    #按照置信度升序排列
    order = scores.argsort()[::-1]

    keep = []
    #循环直至所有框处理完成
    while order.size > 0:
        i = order[0]
        keep.append(i)
        #计算当前置信度最大矩形框与其他矩形框的重叠面积
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]])
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        
        #计算IOU
        ovr = inter / (areas[i] + areas[order[1:]] - inter)

        #保留所有重叠面积小于阈值的框
        inds = np.where(ovr <= threshold)[0]
        order = order[inds + 1]

NMS—非极大值抑制算法的理解

猜你喜欢