NMS—非極大值抑制演算法的理解
阿新 • • 發佈:2018-11-09
一、概念
在目標檢測中,得到多個候選框及其置信度得分。非極大值抑制演算法(NMS)對多個候選框,去除重合率大的冗餘候選框,得到最具代表性的結果,以加快目標檢測的效率。
二、例項
以下圖人臉檢測為例,目標:消除重合率大且多餘的候選框,保留某個區域的一個最優的候選框。
非極大值抑制演算法(NMS)抑制冗餘的框, 抑制的過程是一個迭代-遍歷-消除的過程。
1)將所有框的得分排序,選中最高分及其對應的框
a) 假設圖中有A:0.75、B:0.98 、C:0.83、D:0.67、E:0.81
b) 將置信度升序排序為D:0.67、A:0.75、E:0.81、C:0.83、B:0.98
c) 選中得分最高的B:0.98
2)遍歷其餘的框,如果和當前最高分框的重疊面積(IOU)大於一定閾值,我們就將框刪除。
a)由B:0.98對其餘A、C、D、E框計算IOU,B與A、C的IOU>閾值,刪除A、C框。
b)第一輪得到B:0.98、D:0.67、E:0.81
3) 從未處理的D、E框中繼續選一個得分最高的,重複上述過程。
a) 刪除D框,保留E
b) 最後保留B、E框
三、Python程式碼
#候選框boxes為5列,分別是[x1 y1 x2 y2 score],score為置信度得分 #threshold: IOU閾值 def py_nms(dets, thresh): #取出候選框左上角和右下角座標以及置信度得分 x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] #計算每一個框的面積 areas = (x2 - x1 + 1) * (y2 - y1 + 1) #按照置信度升序排列 order = scores.argsort()[::-1] keep = [] #迴圈直至所有框處理完成 while order.size > 0: i = order[0] keep.append(i) #計算當前置信度最大矩形框與其他矩形框的重疊面積 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:]]) w = np.maximum(0.0, xx2 - xx1 + 1) h = np.maximum(0.0, yy2 - yy1 + 1) inter = w * h #計算IOU ovr = inter / (areas[i] + areas[order[1:]] - inter) #保留所有重疊面積小於閾值的框 inds = np.where(ovr <= threshold)[0] order = order[inds + 1]