非极大值抑制:即找到局部极大值,而非最大值,并抑制其领域内的其余值。
在目标检测中,对于一个物体可能会预测出多个候选框,那么这时就可以用极大值抑制对一些冗余的框进行滤除。
一般来说,每一个预测框的输出都会带有该框的位置信息以及置信度。
NMS算法流程:
- 首先,对所有的框,通过一个置信度阈值将置信度低的框滤除。
- 接着,选出置信度最高的框,将其保存进输出列表中。
- 依次计算该框与其他剩余的框的IOU值。然后通过一个IOU阈值将和这个置信度最高的框拥有较大IOU的框(即和这个框相近的框)去除。也就是去掉冗余的框咯。
- 继续对剩余的框进行2,3操作,直到遍历完毕。
Example:
Output:
NMS Iteration 1:
NMS Iteration 2:
Code:
注:这里的NMS是单类别的!多类别则只需要在外加一个for循环遍历每个种类即可。
def py_cpu_nms(dets, thresh):
"""Pure Python NMS baseline."""
#dets某个类的框,x1、y1、x2、y2、以及置信度score
#eg:dets为[[x1,y1,x2,y2,score],[x1,y1,y2,score]……]]
# thresh是IoU的阈值
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
#每一个检测框的面积
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
#按照score置信度降序排序
order = scores.argsort()[::-1]
keep = [] #保留的结果框集合
while order.size > 0:
i = order[0]
keep.append(i) #保留该类剩余box中得分最高的一个
#得到相交区域,左上及右下
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:]])
#计算相交的面积,不重叠时面积为0
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h
#计算IoU:重叠面积 /(面积1+面积2-重叠面积)
ovr = inter / (areas[i] + areas[order[1:]] - inter)
#保留IoU小于阈值的box
inds = np.where(ovr <= thresh)[0]
order = order[inds + 1] #因为ovr数组的长度比order数组少一个,所以这里要将所有下标后移一位
return keep
参考链接:
[1] 目标检测:NMS——非极大值抑制
[2] 非极大值抑制(non-maximum suppression)的理解
[3] 图像处理中常用的非极大值抑制是什么意思?
[4] 目标检测之NMS非极大值抑制