str -- ini 未處理 __main__ minimum png 核心 main

NMS（non maximum suppression）應用：邊緣檢測、目標檢測等。 背景： 絕大多數人臉檢測器的核心是分類器，即給定一個尺寸固定的圖片，分類器判斷是否為人臉； 而分類器晉升為檢測器的關鍵是： 常用滑動窗口在原始圖像上從多個尺度產生窗口，並resize到固定尺寸，然後送給分類器做判斷，如下圖所示： 目標： 一個對象只保留一個最優的框 ，用非極大值抑制，來抑制那些冗余的框： 抑制的過程是一個叠代-遍歷-消除的過程。 NMS 算法的核心： 1.將所有框的得分排序，選中置信度最高的一個boundingbox(bbox)框作為目標 2.遍歷其余的框，如果和目標bbox 最高分框的重疊面積(IOU)大於一定閾值，我們就在剩下的bbox中去除該bbox（即使該bbox的置信度與目標bbox的置信度一樣） 3.從未處理的框中繼續選一個得分最高的（第二置信度），重復上述1、2過程。

def
 
 nms(dets, thresh):
    ‘‘‘     NMS非極大值抑制算法  ‘‘‘
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]  # confidence
    # 每個boundingbox的面積
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    # boundingbox的置信度排序
    order = scores.argsort()[::-1]
    # 用來保存最後留下來的boundingbox
 

    keep = []
    while order.size > 0:
        i = order[0]  # 置信度最高的boundingbox的index
        keep.append(i)  # 添加本次置信度最高的boundingbox的index
        # 當前bbox和剩下bbox之間的交叉區域; 選擇大於x1,y1和小於x2,y2的區域
        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:]])

        # 當前bbox和其他剩下bbox之間交叉區域的面積
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h

        # 交叉區域面積 / (bbox + 某區域面積 - 交叉區域面積)
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        # 保留交集小於一定閾值的boundingbox
        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1]
    return keep


if __name__ == "__main__":
    dets = np.array([
        [204, 102, 358, 250, 0.5],
        [257, 118, 380, 250, 0.7],
        [280, 135, 400, 250, 0.6],
        [255, 118, 360, 235, 0.7]])
    thresh = 0.4
    print "最大bbox:", nms(dets, thresh)

非極大值抑制--NMS