深度学习之目标检测：非极大值抑制源码解析（nms）

目标检测：nms源码解析

原理：选定一个阈值，例如为0.3，然后将所有3个窗口（bounding box）按照得分由高到低排序。选中得分最高的窗口，遍历计算剩余的2窗口与该窗口的IOU，如果IOU大于阈值0.3，则窗口删除（保留得分高的窗口），再从剩余的窗口中选得分最高的，重复该过程，直到所有窗口都被计算过。

import cv2
import numpy as np
import random
def nms(dets, thresh):
    print(dets)
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    score = dets[:, 4]
    #  x1=3,x2=5,习惯上计算x方向长度就
    # 是x=3、4、5这三个像素，即5-3+1=3，而不是5-3=2，所以需要加1
    areas = (x2 - x1 + 1) * (y2 - y1 + 1) #所有box面积
    order = score.argsort()[::-1] #得到score降序排列的坐标索引
    print("order",order)
    keep = []
    while order.size > 0:
        i = order[0] #最大得分box的坐标索引
        keep.append(i)
        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:]])
        #最高得分的boax与其他box的公共部分(交集)
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1) #求高和宽，并使数值合法化
        inter = w * h #其他所有box的面积
        ovr = inter / (areas[i] + areas[order[1:]] - inter)  #IOU:交并比
        #ovr小表示两个box交集少，可能是另一个物体的框，故需要保留
        inds = np.where(ovr <= thresh)[0] 
        order = order[inds + 1]  #iou小于阈值的框
    return keep

img = cv2.imread("E:\jupyterProject\Pytorch\cs75.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
dets=np.array([[500,250,1200,700,0.8], [400,200,1000,500,0.5],
               [800,150,1300,600,0.6]], np.float)
# 设置thread为0.3
rtn_box=nms(dets, 0.3) #0.3为faster-rcnn中配置文件的默认值
cls_dets=dets[rtn_box, :]
print("nms box:", cls_dets)
img_cp1=img.copy()
for box in cls_dets.tolist():
    x1,y1,x2,y2,score=int(box[0]),int(box[1]),int(box[2]),int(box[3]),box[-1]
    y_text=int(random.uniform(y1, y2))
    cv2.rectangle(img_cp1, (x1,y1), (x2, y2), (0, 255, 255), 2)
    cv2.putText(img_cp1, "CAR:"+str(score), (x1,y1), 2,1, (255, 0, 255))
cv2.imshow("nms_img",img_cp1)
# cv2.destroyAllWindows()#消除所有显示的图框
cv2.imwrite("newcs75.jpg",img_cp1)
cv2.waitKey(0)

IOU的阈值：threshold= 0.7

IOU的阈值：threshold= 0.3