NMS非极大值抑制原理—

基于anchor的目标检测算法中，会产生很多候选矩形框冗余。会出现多个矩形框指向同一个目标的情况，为了将最能代表位置的矩形框留下，将其他矩形框剔除，提出了非极大值抑制算法。

非极大值抑制（Non-Maximum Suppression）算法简称NMS算法。

原理
IoU(Intersection over Union)为交并比，如图1所示，IoU相当于两个区域交叉的部分除以两个区域的并集部分得出的结果。图2是IoU为各个取值时的情况展示，一般来说，这个score ＞ 0.5 就可以被认为一个不错的结果了。

经典NMS最初第一次应用到目标检测中是在RCNN算法中，其实现严格按照搜索局部极大值，抑制非极大值元素的思想来实现的，具体的实现步骤如下：
中文：
（1）设定目标框的置信度阈值，常用的阈值是0.5左右
（2）根据置信度降序排列候选框列表
（3）选取置信度最高的框A添加到输出列表，并将其从候选框列表中删除
（4）计算A与候选框列表中的所有框的IoU值，删除大于阈值的候选框
（5）重复上述过程，直到候选框列表为空，返回输出列表
英文：
1. choose the highest score element a_1 in set B, add a_1 to the keep set C
2. compute the IOU between the chosen element(such as a_1) and others elements in set B
3. only keep the nums at set B whose IOU value is less than thresholds (can be set as >=0.5), delete the nums similiar
to a_1(the higher IOU it is , the more interseciton between a_1 and it will have)
4. choose the highest score value a_2 left at set B and add a_2 to set C
5. repeat the 2-4 until there is nothing in set B, while set C is the NMS value set

相关代码

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
NMS function（Non-Maximum Suppression，  抑制不是极大值的元素）psedocode:1. choose the highest score element  a_1  in set B, add a_1 to the keep set C2. compute the IOU between the chosen element(such as a_1) and others elements in set B3. only keep the nums  at set B whose IOU value is less than thresholds (can be set as >=0.5), delete the nums similiarto a_1(the higher IOU it is , the more interseciton between a_1 and it will have)4. choose the highest score value a_2 left at set B  and add a_2 to set C5. repeat the 2-4 until  there is nothing in set B, while set C is the NMS value set"""
import numpy as np
# boxes表示人脸框的xywh4点坐标+相关置信度
boxes = np.array([[100, 100, 210, 210, 0.72],[250, 250, 420, 420, 0.8],[220, 220, 320, 330, 0.92],[100, 100, 210, 210, 0.72],[230, 240, 325, 330, 0.81],[220, 230, 315, 340, 0.9]])def py_cpu_nms(dets, thresh):# dets:(m,5)  thresh:scalerx1 = dets[:, 0]y1 = dets[:, 1]x2 = dets[:, 2]y2 = dets[:, 3]areas = (y2 - y1 + 1) * (x2 - x1 + 1)scores = dets[:, 4]keep = []# index表示按照scores从高到底的相关box的序列号index = scores.argsort()[::-1]while index.size > 0:print("sorted index of boxes according to scores", index)# 选择得分最高的score直接加入keep列表中i = index[0]keep.append(i)# 计算score最高的box和其他box分别的相关交集坐标x11 = np.maximum(x1[i], x1[index[1:]])y11 = np.maximum(y1[i], y1[index[1:]])x22 = np.minimum(x2[i], x2[index[1:]])y22 = np.minimum(y2[i], y2[index[1:]])print("x1 values by original order:", x1)print("x1 value by scores:", x1[index[:]])print("x11 value means  replacing the less value compared"\" with the value by the largest score :" , x11)# 计算交集面积w = np.maximum(0, x22 - x11 + 1)  # the weights of overlaph = np.maximum(0, y22 - y11 + 1)  # the height of overlapoverlaps = w * h# 计算相关IOU值（交集面积/并集面积，表示边框重合程度，越大表示越相似，越该删除）ious = overlaps / (areas[i] + areas[index[1:]] - overlaps)# 只保留iou小于阈值的索引号，重复上步idx = np.where(ious <= thresh)[0]# 因为第一步index[0]已经被划走，所以需要原来的索引号需要多加一index = index[idx + 1]return keepimport matplotlib.pyplot as pltdef plot_bbox(dets, c='k', title_name="title"):x1 = dets[:, 0]y1 = dets[:, 1]x2 = dets[:, 2]y2 = dets[:, 3]plt.plot([x1, x2], [y1, y1], c)plt.plot([x1, x1], [y1, y2], c)plt.plot([x1, x2], [y2, y2], c)plt.plot([x2, x2], [y1, y2], c)plt.title(title_name)if __name__ == '__main__':plot_bbox(boxes, 'k', title_name="before nms")  # before nmsplt.show()keep = py_cpu_nms(boxes, thresh=0.7)plot_bbox(boxes[keep], 'r', title_name="after_nme")  # after nmsplt.show()

运行结果：

NMS非极大值抑制原理——目标检测相关推荐

目标窗口检测算法-NMS非极大值抑制
1. NMS(non maximum suppression)的定义和算法步骤 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 ...
目标检测中的LOU(交并比)和NMS(非极大值抑制)代码实现
1.LOU, 两个box框的交集比上并集,示意图如下所示: 代码如下所示: #假设box1的维度为[N,4] box2的维度为[M,4] def Lou(box1, box2):N = box1.si ...
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 ...
深度学习自学（三）：NMS非极大值抑制总结
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 ...
目标检测的Tricks | 【Trick9】nms非极大值抑制处理（包括变体merge-nms、and-nms、soft-nms、diou-nms等介绍）
如有错误,恳请指出. 用这篇博客记录一下nms,也就是非极大值抑制处理,算是目标检测后处理的一个难点. 在训练阶段是不需要nms处理的,只有在验证或者是测试阶段才需要将预测结果进行非极大值抑制处理,来 ...
【概念梳理】NMS 非极大值抑制
写在最前本文对网上关于 NMS 的解释整理了一下一.原理 YOLO在最后的一个步骤就是对 SxSx(Bx5+C) 个向量进行非极大值抑制(Non-max suppression),一开始不是太明白 ...
NMS——非极大值抑制
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. 这里主要以人脸检测中的应用为例,来说明NMS,并给出Mat ...
yolov3 NMS非极大值抑制
基本原理:对于Bounding Box的列表B及其对应的置信度S,采用下面的计算方式.选择具有最大score的检测框M,将其从B集合中移除并加入到最终的检测结果D中.通常将B中剩余检测框中与M的IoU ...
NMS 非极大值抑制
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,搜索局部的极大值. 定位一个车辆时,算法可能会找出一堆候选框,为了从中找出最佳候选框,非极大值 ...
【算法】非极大值抑制原理、流程和代码
代码如下: # -------------------------------------------------------- # Fast R-CNN # Copyright (c) 2015 M ...

NMS非极大值抑制原理——目标检测

相关代码

NMS非极大值抑制原理——目标检测相关推荐

最新文章

热门文章