非極大值抑制（Non-maximum suppression，NMS）是一種去除非極大值的演算法，常用於計算機視覺中的邊緣檢測、物體識別等。

演算法流程：

給出一張圖片和上面許多物體檢測的候選框（即每個框可能都代表某種物體），但是這些框很可能有互相重疊的部分，我們要做的就是隻保留最優的框。假設有N個框，每個框被分類器計算得到的分數為Si, 1<=i<=N。

0、建造一個存放待處理候選框的集合H，初始化為包含全部N個框；

     建造一個存放最優框的集合M，初始化為空集。

1、將所有集合 H 中的框進行排序，選出分數最高的框 m，從集合 H 移到集合 M；

2、遍歷集合 H 中的框，分別與框 m 計算交併比（Interection-over-union，IoU），如果高於某個閾值（一般為0~0.5），則認為此框與 m 重疊，將此框從集合 H 中去除。

3、回到第1步進行迭代，直到集合 H 為空。集合 M 中的框為我們所需。

需要優化的引數：

IoU 的閾值是一個可優化的引數，一般範圍為0~0.5，可以使用交叉驗證來選擇最優的引數。

示例：

比如人臉識別的一個例子：

已經識別出了 5 個候選框，但是我們只需要最後保留兩個人臉。

首先選出分數最大的框（0.98），然後遍歷剩餘框，計算 IoU，會發現露絲臉上的兩個綠框都和 0.98 的框重疊率很大，都要去除。

然後只剩下傑克臉上兩個框，選出最大框（0.81），然後遍歷剩餘框（只剩下0.67這一個了），發現0.67這個框與 0.81 的 IoU 也很大，去除。

至此所有框處理完畢，演算法結果：

（圖片來自https://blog.csdn.net/shuzfan/article/details/52711706）