⾮极⼤值抑制(Non-Maximum Suppression)原理

⾮极⼤值抑制，顾名思义，找出极⼤值，抑制⾮极⼤值。这种思路和算法在各个领域中应⽤⼴泛，⽐如边缘检测算法canny算⼦中就使⽤了该⽅法。本⽂主要讨论nms在⽬标检测中的应⽤。⽬标检测过程中，模型在同⼀⽬标的位置上经常会产⽣⼤量的候选框，如下图是赫本的⼈脸检测结果。可以看出这些候选框之间的重叠度⾮常⾼，此时就需要利⽤nms找到最佳⽬标，消除冗余的边界框。

奥黛丽赫本-⼈脸检测示意图

nms的原理很简单，主要分为如下⼏步：

1. 将候选框按照置信度进⾏排序
2. 计算置信度最⾼的候选框与其它候选框的IoU(交并⽐)
3. 删除IoU⼤于设定阈值的候选框
4. 重复上述过程，直⾄候选框列表为空

这里的IoU指的是Intersection over Union，代表候选区域之间的交并比，计算如下图所示。

IOU计算示意图

python代码解析

nms的开源代码很多，初学者往往被各种复杂代码⾥花式的写法迷惑，但其实nms的代码很好写，完全不需要很复杂的数据结构及算法，这⾥笔者用numpy尽量写了⼀个最精简、最易读的版本，⼀共30⾏，供⼤家参考。

def nms_rect(box, iou):    keep_ = []    if len(box) > 1:        x1 = box[:, 0]        y1 = box[:, 1]        x2 = box[:, 2]        y2 = box[:, 3]        score = box[:, 4]        area = (y2 - y1 + 1) * (x2 - x1 + 1)        while len(score) > 1:            order = score.argsort()[::-1]            i = order[0]            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., xx2 - xx1)            h = np.maximum(0., yy2 - yy1)            inter = w * h            ovr = inter / (area[i] + area[order[1:]] - inter)            inds = np.where(ovr > iou) + np.array([1])            inds = np.append(inds, 0)            keep_.append([x1[i], y1[i], x2[i], y2[i], score[i]])            x1 = np.delete(x1, order[inds])            y1 = np.delete(y1, order[inds])            x2 = np.delete(x2, order[inds])            y2 = np.delete(y2, order[inds])            area = np.delete(area, order[inds])            score = np.delete(score, order[inds])    return keep_

结果展示

从左到右依次是原图、nms处理前、nms处理后，可以看出效果很明显。

nms效果图

写在最后

nms是算法研究⼈员⼗分常⽤的算法，笔者在⼯作⾯试中也经常会出这道题，因此还是很有必要掌握的，接下来的⽂章也会持续分享⼯作期间总结的论⽂、笔记和代码。欢迎关注与转发。