nms（non maximum suppression），中文名非極大值抑制，在很多計算機視覺任務中都有廣泛應用，如：邊緣檢測、目標檢測等。
這裡主要以人臉檢測中的應用為例，來說明nms，並給出matlab示例程式。
人臉檢測的一些概念
（1） 絕大部分人臉檢測器的核心是分類器，即給定乙個尺寸固定，分類器判斷是或者不是人臉；
（2）將分類器進化為檢測器的關鍵是：在原始影象上從多個尺度產生視窗，並resize到固定尺寸，然後送給分類器做判斷。最常用的方法是滑動視窗。
以下圖為例，由於滑動視窗，同乙個人可能有好幾個框(每乙個框都帶有乙個分類器得分)
而我們的目標是乙個人只保留乙個最優的框：
於是我們就要用到非極大值抑制，來抑制那些冗餘的框： 抑制的過程是乙個迭代-遍歷-消除的過程。
（1）將所有框的得分降序排列，選中最高分及其對應的框：
（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。
（3）從未處理的框中繼續選乙個得分最高的，重複上述過程。
下面給出matlab下的快速nms**，並帶有詳細的注釋：
%% nms:non maximum suppression
function
pick = nms
(boxes,threshold,type)
% boxes: m x 5,表示有m個框，5列分別是[x1 y1 x2 y2 score]
% threshold: iou閾值
% type：iou閾值的定義型別
% 輸入為空，則直接返回
ifisempty(boxes)
pick = ;
return;
end% 依次取出左上角和右下角座標以及分類器得分(置信度)
x1 = boxes(:,1);
y1 = boxes(:,2);
x2 = boxes(:,3);
y2 = boxes(:,4);
s = boxes(:,5);
% 計算每乙個框的面積
area = (x2-x1+1) .* (y2-y1+1);
%將得分公升序排列
[vals, i] = sort(s);
%初始化
pick = s*0;
counter = 1;
% 迴圈直至所有框處理完成
while ~isempty(i)
last = length(i); %當前剩餘框的數量
i = i(last);%選中最後乙個，即得分最高的框
pick(counter) = i;
counter = counter + 1;
%計算相交面積
xx1 = max(x1(i), x1(i(1:last-1)));
yy1 = max(y1(i), y1(i(1:last-1)));
xx2 = min(x2(i), x2(i(1:last-1)));
yy2 = min(y2(i), y2(i(1:last-1)));
w = max(0.0, xx2-xx1+1);
h = max(0.0, yy2-yy1+1);
inter = w.*h;
%不同定義下的iou
if strcmp(type,'min')
%重疊面積與最小框面積的比值
o = inter ./ min(area(i),area(i(1:last-1)));
else
%交集/並集
o = inter ./ (area(i) + area(i(1:last-1)) - inter);
end%保留所有重疊面積小於閾值的框，留作下次處理
i = i(find(o<=threshold));
endpick = pick(1:(counter-1));
end
非極大值抑制（NMS）
非極大值抑制 nms 非極大值抑制顧名思義就是抑制不是極大值的元素，搜尋區域性的極大值。這個區域性代表的是乙個鄰域，鄰域有兩個引數可變，一是鄰域的維數，二是鄰域的大小。這裡不討論通用的nms演算法，而是用於在目標檢測中用於提取分數最高的視窗的。例如在行人檢測中，滑動視窗經提取特徵，經分類器分類識別後...
NMS非極大值抑制
非極大值抑制演算法 non maximum suppression for object detection in python 非極大值抑制演算法 nms 非極大值抑制 矩形框融合 nms 卷積網路改進實現 筆記 人臉檢測視窗選擇辦法 nms convnet 開源 如何用soft nms實現目標檢...
非極大值抑制（NMS）
非極大值抑制 nms 非極大值抑制顧名思義就是抑制不是極大值的元素，搜尋區域性的極大值。這個區域性代表的是乙個鄰域，鄰域有兩個引數可變，一是鄰域的維數，二是鄰域的大小。這裡不討論通用的nms演算法，而是用於在目標檢測中用於提取分數最高的視窗的。例如在行人檢測中，滑動視窗經提取特徵，經分類器分類識別後...