NMS（non maximum suppression）非极大值抑制

   目标检测中，NMS被用于后期的物体边界框去除中.

   NMS 对检测得到的全部 boxes 进行局部的最大搜索，以搜索某邻域范围内的最大值，从而滤出一部分 boxes，提升最终的检测精度.

NMS 算法流程：

   输入：

          检测到的Boxes(同一个物体可能被检测到很多Boxes，每个box均有分类score)

  输出：

          最优的Box.（不止一个）

过程：

          去除冗余的重叠 Boxes，对全部的 Boxes 进行迭代-遍历-消除.

                1.将所有框的得分排序，选中最高分及其对应的框;

                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，则将框删除;

                3. 从未处理的框中继续选一个得分最高的，重复上述过程.

例：

假设某物体检测到 4 个 Boxes，每个 Box 分别对应一个类别 Score，根据 Score 从小到大排列依次为，(B1, S1), (B2, S2), (B3, S3), (B4, S4). S4 > S3 > S2 > S1.

Step 1. 根据Score 大小，从 Box B4 框开始；
Step 2. 分别计算 B1, B2, B3 与 B4 的重叠程度 IoU，判断是否大于预设定的阈值；如果大于设定阈值，则舍弃该 Box；同时标记保留的 Box. 假设 B3 与 B4 的阈值超过设定阈值，则舍弃 B3，标记 B4 为要保留的 Box；
Step 3. 从剩余的 Boxes 中 B1, B2 中选取 Score 最大的 B2， 然后计算 B2 与 剩余的 B1 的重叠程度 IoU；如果大于设定阈值，同样丢弃该 Box；同时标记保留的 Box.
重复以上过程，直到找到全部的保留 Boxes.

（最后找的Boxes不一定只有一个）

使用通俗点的例子

这里为什么是    ? 其实是为了减少误判的可能。

使用Python代码实现的过程像下面：

#测试 NMS(非极大值抑制算法)
import numpy as np
import matplotlib.pyplot as plt
#定义盒子
boxes=np.array([[100,100,210,220,0.71],
               [250,250,420,420,0.8],
               [220,200,320,330,0.92],
               [100,100,210,210,0.72],
               [230,240,325,330,0.81],
               [220,230,315,340,0.9]])
def iou(xmin,ymin,xmax,ymax,areas,lastInd,beforeInd,threshold):
    #xmin[lastInd]一个单独数据 m  ,xmin[beforeInd]一组数据
    #比较m和后者的每个数据，m大，则后一组数据对应位置为 m
    #当前bbox和剩下bbox之间的交叉区域
    # 选择大于x1,y1和小于x2,y2的区域
    xminTmp=np.maximum(xmin[lastInd],xmin[beforeInd])
    yminTmp=np.maximum(ymin[lastInd],ymin[beforeInd])
    xmaxTmp=np.minimum(xmax[lastInd],xmax[beforeInd])
    ymaxTmp=np.minimum(ymax[lastInd],ymax[beforeInd])
    
    width=np.maximum(0.0,xmaxTmp-xminTmp+1)
    height=np.maximum(0.0,ymaxTmp-yminTmp+1)
    #print(width,height)
    #计算存活 box 和 last 指向box的交集
    interSection=width*height
    union=areas[beforeInd]+areas[lastInd]-interSection
    iou_value=interSection/union
    print("iou_value",iou_value)
    indexOutput=[item[0] for item in zip(beforeInd,iou_value) if item[1]<=threshold]
    return indexOutput
def nms(boxes,threshold):
    #判断是否是ndarray的数据
    assert isinstance(boxes,np.ndarray)
    assert boxes.shape[1]==5
    
    xmin=boxes[:,0]
    ymin=boxes[:,1]
    xmax=boxes[:,2]
    ymax=boxes[:,3]
    scores=boxes[:,4]
    #计算每个盒子的区域
    #print(xmax-xmin+1)
    areas=(xmax-xmin+1)*(ymax-ymin+1)
    #每个盒子的分数升序排列
    scoreSort=sorted(list(enumerate(scores)),key=lambda item:item[1])
   
    #save 升序排列的 index [0, 3, 1, 4, 5, 2]
    index=[item[0] for item in scoreSort]
    keep=[]
    while len(index)>0:
        lastInd=index[-1]
        keep.append(lastInd)
        #print(index[:-1])
        #计算 iou   index[:-1]:打印 [0,3,1,4,5]
        index=iou(xmin,ymin,xmax,ymax,areas,lastInd,index[:-1],threshold)
    #print(keep)
    return keep
def bbox(dets,c='k'):
    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("after nms")
if __name__=='__main__':
    bbox(boxes,'k')
    remain=nms(boxes,threshold=0.6)
    #print(boxes[remain])
    bbox(boxes[remain],'y')

运行结果（黄色为可能的选框）：

相关推荐：

https://chenzomi12.github.io/2016/12/14/YOLO-nms/