本文主要是介绍NMS(非极大值抑制)在物体检测中的应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
转自：http://blog.csdn.net/running_j/article/details/51727350
非极大值抑制在物体检测方面的应用
结合faster-rcnn给出的py_cpu_nms.py的源码来介绍一下nms算法在物体检测方面的应用。faster-rcnn中经过rpn层之后会得到一些boundingbox和boundingbox对应的属于某一类的分数（置信度）。所以可以根据NMS来去除那些overlap值比较大的box。
import numpy as npdef py_cpu_nms(dets, thresh):"""Pure Python NMS baseline."""#dets:N*M,N是bbox的个数，M的前4位是对应的（x1,y1,x2,y2），第5位是对应的分数#thresh:0.3,0.5....x1 = dets[:, 0]y1 = dets[:, 1]x2 = dets[:, 2]y2 = dets[:, 3]scores = dets[:, 4]areas = (x2 - x1 + 1) * (y2 - y1 + 1)#求每个bbox的面积order = scores.argsort()[::-1]#对分数进行倒排序keep = []#用来保存最后留下来的bboxwhile order.size > 0:i = order[0]#无条件保留每次迭代中置信度最高的bboxkeep.append(i)#计算置信度最高的bbox和其他剩下bbox之间的交叉区域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:]])#计算置信度高的bbox和其他剩下bbox之间交叉区域的面积w = np.maximum(0.0, xx2 - xx1 + 1)h = np.maximum(0.0, yy2 - yy1 + 1)inter = w * h#求交叉区域的面积占两者（置信度高的bbox和其他bbox）面积和的必烈ovr = inter / (areas[i] + areas[order[1:]] - inter)#保留ovr小于thresh的bbox，进入下一次迭代。inds = np.where(ovr <= thresh)[0]#因为ovr中的索引不包括order[0]所以要向后移动一位order = order[inds + 1]return keep
下面解释下利用NMS进行过滤区域的原理。当一个窗口区域被认为是最有可能表示某一个物体的时候，那么和这个窗口区域交叉面积大的proposal就可以认为不是需要的窗口区域。
以上为个人对NMS在物体检测方面的一些理解，如果有什么不对的地方，希望指出。另为给出一个个人觉得对NMS解释比较好的连接。http://www.cnblogs.com/liekkas0626/p/5219244.html
这篇关于NMS(非极大值抑制)在物体检测中的应用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
