非极大值抑制（ Non-max suppression）

声明：本文引用吴恩达教授的DeepLearning课程内容。

滑动窗出来的目标检测会产生多个目标检测结果，非极大值抑制这个方法可以确保你的算法对每个对象只检测一次。下图为NMS过程：

看下面例子：

假设需要在这张图片里检测行人和汽车，可能会在上面放个 19×19 网格，理论上这辆车只有一个中点，所以它应该只被分配到一个格子里，左边的车子也只有一个中点，所以理论上应该只有一个格子做出有车的预测。

实践中当你运行对象分类和定位算法时，对于每个格子都运行一次，所以这个格子（编号 1）可能会认为这辆车中点应该在格子内部，这几个格子（编号 2、 3）也会这么认为。对于左边的车子也一样，所以不仅仅是这个格子，不仅这个格（编号 4）子会认为它里面有车，也许这个格子（编号 5）和这个格子（编号 6）也会，也许其他格子也会这么认为，觉得它们格子内有车。

所以，多个格子同时对同一目标预测，结果可能出现如下状况，一个目标被输出多个不同的检测结果。

接下来非极大值抑制就来解决这个问题：

非极大值抑制的方法是：先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率分别为A、B、C、D、E、F。

1）从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值；

2）假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的；

3）从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。

就这样一直重复，找到所有被保留下来的矩形框。

python实现的单类别nms:py_cpu_nms.py。

import cv2
import numpy as npdef nms(bounding_boxes, confidence_score, threshold):# If no bounding boxes, return empty listif len(bounding_boxes) == 0:return [], []# Bounding boxesboxes = np.array(bounding_boxes)# coordinates of bounding boxesstart_x = boxes[:, 0]start_y = boxes[:, 1]end_x = boxes[:, 2]end_y = boxes[:, 3]# Confidence scores of bounding boxesscore = np.array(confidence_score)# Picked bounding boxespicked_boxes = []picked_score = []# Compute areas of bounding boxesareas = (end_x - start_x + 1) * (end_y - start_y + 1)# Sort by confidence score of bounding boxesorder = np.argsort(score)# Iterate bounding boxeswhile order.size > 0:# The index of largest confidence scoreindex = order[-1]# Pick the bounding box with largest confidence scorepicked_boxes.append(bounding_boxes[index])picked_score.append(confidence_score[index])# Compute ordinates of intersection-over-union(IOU)x1 = np.maximum(start_x[index], start_x[order[:-1]])x2 = np.minimum(end_x[index], end_x[order[:-1]])y1 = np.maximum(start_y[index], start_y[order[:-1]])y2 = np.minimum(end_y[index], end_y[order[:-1]])# Compute areas of intersection-over-unionw = np.maximum(0.0, x2 - x1 + 1)h = np.maximum(0.0, y2 - y1 + 1)intersection = w * h# Compute the ratio between intersection and unionratio = intersection / (areas[index] + areas[order[:-1]] - intersection)left = np.where(ratio < threshold)order = order[left]return picked_boxes, picked_score

测试代码：

def test():# Image nameimage_name = 'nms.jpg'# Bounding boxesbounding_boxes = [(176, 75, 420, 400), (150, 42, 386, 342), (204, 108, 460, 374)]confidence_score = [0.9, 0.75, 0.8]# Read imageimage = cv2.imread(image_name)# Copy image as originalorg = image.copy()# Draw parametersfont = cv2.FONT_HERSHEY_SIMPLEXfont_scale = 1thickness = 2# IoU thresholdthreshold = 0.4# Draw bounding boxes and confidence scorefor (start_x, start_y, end_x, end_y), confidence in zip(bounding_boxes, confidence_score):(w, h), baseline = cv2.getTextSize(str(confidence), font, font_scale, thickness)cv2.rectangle(org, (start_x, start_y - (2 * baseline + 5)), (start_x + w, start_y), (0, 255, 255), -1)cv2.rectangle(org, (start_x, start_y), (end_x, end_y), (0, 255, 255), 2)cv2.putText(org, str(confidence), (start_x, start_y), font, font_scale, (0, 0, 0), thickness)# Run non-max suppression algorithmpicked_boxes, picked_score = nms(bounding_boxes, confidence_score, threshold)# Draw bounding boxes and confidence score after non-maximum supressionfor (start_x, start_y, end_x, end_y), confidence in zip(picked_boxes, picked_score):(w, h), baseline = cv2.getTextSize(str(confidence), font, font_scale, thickness)cv2.rectangle(image, (start_x, start_y - (2 * baseline + 5)), (start_x + w, start_y), (0, 255, 255), -1)cv2.rectangle(image, (start_x, start_y), (end_x, end_y), (0, 255, 255), 2)cv2.putText(image, str(confidence), (start_x, start_y), font, font_scale, (0, 0, 0), thickness)# Show imagecv2.imshow('Original', org)cv2.imshow('NMS', image)cv2.waitKey(20000)

结果：

非极大值抑制的流程如下：

1、根据置信度得分进行排序；

2、选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除；

3、计算置信度最高的边界框与其它候选框的IoU；

4、删除IoU大于阈值的边界框；

5、重复2~4过程，直至边界框列表为空。

非极大值抑制（ Non-max suppression）相关推荐

非极大值抑制（Non-Maximum Suppression，NMS）（转）
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 ...
深度学习之非极大值抑制（Non-maximum suppression，NMS）
非极大值抑制(Non-maximum suppression,NMS)是一种去除非极大值的算法,常用于计算机视觉中的边缘检测.物体识别等. 算法流程给出一张图片和上面许多物体检测的候选框(即每个框可 ...
非极大值抑制（Non-maximum suppression）在物体检测领域的应用
转载自:http://blog.csdn.net/pb09013037/article/details/45477591 一.Nms主要目的在物体检测非极大值抑制应用十分广泛,主要目的是为了消除多余 ...
非极大值抑制（non-maximum suppression）的理解与实现
非极大抑制(Non-Maximum Suppression) Non-Maximum Suppression for Object Detection in Python RCNN 和微软提出的 SP ...
非极大值抑制（non-maximum suppression）的理解
最近在学习RCNN时看到了非极大值抑制,一开始有点不明白,在网上学习了之后记录一下. 非极大值抑制就是一个寻找局部最大值的过程. 在进行目标检测时一般会采取窗口滑动的方式,在图像上生成很多的候选框,然 ...
Non-Maximum Suppression，NMS非极大值抑制
Non-Maximum Suppression,NMS非极大值抑制概述非极大值抑制(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 ...
下拉多选择框实现方式_非极大值抑制Non-Maximum Suppression（NMS）一文搞定理论+多平台实现...
这是独立于薰风读论文的投稿,作为目标检测模型的拓展阅读,目的是帮助读者详细了解一些模型细节的实现. 薰风说 Non-Maximum Suppression的翻译是非"极大值"抑制, ...
风机桨叶故障诊断（七）滑动窗与非极大值抑制NMS
风机桨叶故障诊断(七)滑动窗与非极大值一直NMS 到目前为止,我已经利用自编码神经网络提取特征后训练得到了BP神经网络(参见:点击打开链接),且在测试样本集上表现不错.下面我们就要应用到实际中来检验算 ...
锚框、交并比和非极大值抑制（tf2.0源码解析)
锚框.交并比和非极大值抑制(tf2.0源码解析) 文章目录锚框.交并比和非极大值抑制(tf2.0源码解析) 一.锚框生成 1.锚框的宽高 2.锚框的个数 3.注意点(★★★) 4.tf2.0代码二 ...
锚框的实现-非极大值抑制预测边界框
大家好,我是阿林.由于各种原因,阿林的组会告吹了.所以阿林的锚框的最后一期非极大值抑制预测边界框提前发布. 我们来回顾一下前两期的内容,并和第三期做一个总结吧. 第一期我们通过提取出整张图的高宽,利 ...

非极大值抑制（ Non-max suppression）

非极大值抑制（ Non-max suppression）相关推荐

最新文章

热门文章