NMS（non maximum suppression）非极大值抑制

心已赠人 2022-05-11 13:14 219阅读 0赞

##    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;][1.]

[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;][1.]

[3. 从未处理的框中继续选一个得分最高的，重复上述过程.][1.]

### 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 ###

![70][]

这里为什么是  ![c/(a+b-c)][c_a_b-c]  ? 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）：

![70 1][]