[目标检测]Non-Maximum Suppression

发表于 更新于 分类于
本文字数： 1.2k 阅读时长 ≈ 2 分钟

在目标检测中，非最大值抑制（Non-Maximum Suppression, NMS）能够有效去除冗余的候选边界框

实现流程

  1. 输入一组候选边界框以及对应的置信度（通常为分类概率）
  2. 通过置信度进行排序
  3. 保留置信度最高的候选边界框
  4. 计算保留的候选边界框和剩余边界框的IoU
  5. 去除IoU超过阈值的剩余边界框
  6. 对剩余的边界框重复2-5步，直至剩余边界框清空

阈值设置

通常为0.3-0.5

numpy实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
def nms(rect_list, score_list):
    """
    非最大抑制
    :param rect_list: list，大小为[N, 4]
    :param score_list： list，大小为[N]
    """
    nms_rects = list()
    nms_scores = list()

    rect_array = np.array(rect_list)
    score_array = np.array(score_list)

    # 一次排序后即可
    # 按分类概率从大到小排序
    idxs = np.argsort(score_array)[::-1]
    rect_array = rect_array[idxs]
    score_array = score_array[idxs]

    thresh = 0.3
    while len(score_array) > 0:
        # 添加分类概率最大的边界框
        nms_rects.append(rect_array[0])
        nms_scores.append(score_array[0])
        rect_array = rect_array[1:]
        score_array = score_array[1:]

        length = len(score_array)
        if length <= 0:
            break

        # 计算IoU
        iou_scores = util.iou(np.array(nms_rects[len(nms_rects) - 1]), rect_array)
        # print(iou_scores)
        # 去除重叠率大于等于thresh的边界框
        idxs = np.where(iou_scores < thresh)[0]
        rect_array = rect_array[idxs]
        score_array = score_array[idxs]

    return nms_rects, nms_scores

实现结果

参考zjZSTU/R-CNN的py/car_detector.py

实现前：

实现后：

相关阅读