非极大值抑制（Non-Maximum Suppression, NMS）

原创已于 2022-09-05 17:32:24 修改 · 1k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习 #目标检测

于 2020-04-14 11:02:31 首次发布

目标检测同时被 2 个专栏收录

37 篇文章

订阅专栏

实例分割

4 篇文章

订阅专栏

本文深入探讨了非极大值抑制(NMS)算法在目标检测中的关键作用，包括其工作原理、技术流程及Python实现。NMS通过筛选局部最大值并抑制非极大值，有效减少候选框，提升检测精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. What

非极大值抑制，简称为NMS算法，英文为Non-Maximum Suppression。其思想是搜素局部最大值，抑制非极大值。NMS算法在不同应用中的具体实现不太一样，但思想是一样的。非极大值抑制，常用于边缘检测、目标检测等计算机视觉任务。

2. Why

以目标检测为例：目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。
在这里插入图片描述

2. How

其技术流程如下：

根据置信度得分进行排序；
选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除；
计算所有边界框的面积；
计算置信度最高的边界框与其它候选框的IoU；
删除IoU大于阈值的边界框；
重复上述过程，直至边界框列表为空。

python代码

import cv2
import numpy as np


"""
    Non-max Suppression Algorithm

    @param list  Object candidate bounding boxes
    @param list  Confidence score of bounding boxes
    @param float IoU threshold

    @return Rest boxes after nms operation
"""
def nms(bounding_boxes, confidence_score, threshold):
    # If no bounding boxes, return empty list
    if len(bounding_boxes) == 0:
        return [], []

    # Bounding boxes
    boxes = np.array(bounding_boxes)

    # coordinates of bounding boxes
    start_x = boxes[:, 0]
    start_y = boxes[:, 1]
    end_x = boxes[:, 2]
    end_y = boxes[:, 3]

    # Confidence scores of bounding boxes
    score = np.array(confidence_score)

    # Picked bounding boxes
    picked_boxes = []
    picked_score = []

    # Compute areas of bounding boxes
    areas = (end_x - start_x + 1) * (end_y - start_y + 1)

    # Sort by confidence score of bounding boxes
    order = np.argsort(score)

    # Iterate bounding boxes
    while order.size > 0:
        # The index of largest confidence score
        index = order[-1]

        # Pick the bounding box with largest confidence score
        picked_boxes.append(bounding_boxes[index])
        picked_score.append(confidence_score[index])

        # Compute ordinates of intersection-over-union(IOU)
        x1 = np.maximum(start_x[index], start_x[order[:-1]])
        x2 = np.minimum(end_x[index], end_x[order[:-1]])
        y1 = np.maximum(start_y[index], start_y[order[:-1]])
        y2 = np.minimum(end_y[index], end_y[order[:-1]])

        # Compute areas of intersection-over-union
        w = np.maximum(0.0, x2 - x1 + 1)
        h = np.maximum(0.0, y2 - y1 + 1)
        intersection = w * h

        # Compute the ratio between intersection and union
        ratio = intersection / (areas[index] + areas[order[:-1]] - intersection)

        left = np.where(ratio < threshold)
        order = order[left]

    return picked_boxes, picked_score