nms演算法（非極大值抑制演算法）的主要作用是通過搜尋區域性極大值的思想來實現，主要的實現步驟可以分為以下幾個步驟：
1、設定目標框的置信度閾值，常用的閾值為0.5左右。
2、根據置信度排序排列候選框列表。
3、選取置信度最高的框a新增到輸出列表，並將其從候選框的列表中刪除。
4、計算a與候選框列表中的所有框的iou值，刪除大於閾值的候選框。
5、重複上述過程，直到候選框的列表為空，返回輸出列表。
其中計算iou值的公式為：
nms演算法的**為：
#coding:utf-8
import numpy as np
def py_cpu_nms(dets, thresh):
"""pure python nms baseline."""
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
#從大到小排列，取index
order = scores.argsort()[::-1]
#keep為最後保留的邊框
keep =
while order.size > 0:
#order[0]是當前分數最大的視窗，之前沒有被過濾掉，肯定是要保留的
i = order[0]
#計算視窗i與其他所以視窗的交疊部分的面積
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:]])
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h
#交/並得到iou值
ovr = inter / (areas[i] + areas[order[1:]] - inter)
#ind為所有與視窗i的iou值小於threshold值的視窗的index，其他視窗此次都被視窗i吸收
inds = np.where(ovr <= thresh)[0]
#下一次計算前要把視窗i去除，所有i對應的在order裡的位置是0，所以剩下的加1
order = order[inds + 1]
return keep
nms演算法的輸入資料應當為：
boxes=np.array([[100,100,210,210,0.72],
[250,250,420,420,0.8],
[220,220,320,330,0.92],
[100,100,210,210,0.72],
[230,240,325,330,0.81],
[220,230,315,340,0.9]])
[ x1, y1, x2, y2, thread ] = [ xmin, ymax, xmax, ymax , confidence]nms演算法實現的效果為：
nms演算法的效果是將資料中的重疊部分的閾值低的進行過濾。
import numpy as np
def nms(bboxes):
"""非極大抑制過程
:param bboxes: 同類別候選框座標
:param confidence: 同類別候選框分數
:param threshold: iou閾值
:return:
"""# 1、傳入無候選框返回空
if len(bboxes) == 0:
return ,
# 強轉陣列
bboxes = np.array(bboxes)
# 從x,y,w,h四個值轉換為左上角頂點和右下角頂點
center_x = bboxes[:, 0]
center_y = bboxes[:, 1]
w = bboxes[:, 2]
h = bboxes[:, 3]
# 取出n個的極座標點
x1 = np.maximum(0.0, center_x - (w / 2))
y1 = np.maximum(0.0, center_y - (h / 2))
x2 = np.maximum(0.0, center_x + (w / 2))
y2 = np.maximum(0.0, center_y + (h / 2))
# 2、對候選框進行nms篩選
# 返回的框座標和分數
picked_boxes =
# 對置信度進行排序, 獲取排序後的下標序號, argsort預設從小到大排序
order = np.argsort(np.ones(len(bboxes)))
areas = (x2 - x1) * (y2 - y1)
while order.size > 0:
# 將當前置信度最大的框加入返回值列表中
index = order[-1]
# 獲取當前置信度最大的候選框與其他任意候選框的相交面積
x11 = np.maximum(x1[index], x1[order[:-1]])
y11 = np.maximum(y1[index], y1[order[:-1]])
x22 = np.minimum(x2[index], x2[order[:-1]])
y22 = np.minimum(y2[index], y2[order[:-1]])
# 計算當前矩形框與其餘框的比值
rate = areas[index] / areas[order[:-1]]
# 計算其餘框于u當前框的比值
rate1 = areas[order[:-1]] / areas[index]
w = np.maximum(0.0, x22 - x11)
h = np.maximum(0.0, y22 - y11)
intersection = w * h
# 利用相交的面積和兩個框自身的面積計算框的交並比, 保留大於閾值的框
ratio = intersection / (areas[index] + areas[order[:-1]] - intersection)
# rate==ratio表示包含關係，保留不為包含關係的框
keep_boxes_indics = np.where(ratio != rate)
keep_boxes_indics1 = np.where(ratio != rate1)
if keep_boxes_indics.__len__() < keep_boxes_indics1.__len__():
order = order[keep_boxes_indics]
else:
order = order[keep_boxes_indics1]
return picked_boxes
if __name__ == '__main__':
bounding = [(267.5509948730469, 291.084228515625, 11.240452766418457, 13.544210433959961), (150, 67, 15, 14), (246, 121, 11, 25), (189, 85, 14, 23)]
picked_boxes = nms(bounding)
print('最終bbox列表：', picked_boxes)
最終bbox列表： [array([189., 85., 14., 23.]), array([246., 121., 11., 25.]), array([150., 67., 15., 14.]), array([267.55099487, 291.08422852, 11.24045277, 13.54421043])][ x, y, w, h ] = [中心點x值，中心點y值， 寬， 高 ]演算法 去除英文文字中重複單詞
假設有一段英文文字，其中有重複的單詞，要求去除重複單詞，只保留乙個，例如 hello world hello python 程式輸出為 hello world python 1 首先我們得把這段文字中的每個單詞提取出來 2 提取出每個單詞後，我們只需遍歷這個列表，然後再判斷這個單詞是否存在這個空列表...
多目標跟蹤中SORT演算法的理解
多目標跟蹤中sort演算法的理解 在跟蹤之前，對所有目標已經完成檢測，實現了特徵建模過程。1.第一幀進來時，以檢測到的目標初始化並建立新的 標註id。2.後面幀進來時，先到卡爾曼濾波器中得到由前面幀box產生的狀態 和協方差 求 所有目標狀態 與本幀檢測的box的iou，通過匈牙利指派演算法得到io...
目標檢測中的RPN區域提取演算法
用已知尺寸的視窗遍歷整個影象，生成很多子影象，漫無目的的搜尋。selective search在rcnn和fast rcnn中用到，它的具體做法是將影象分割成很多小的區域，計算區域之間的相似度 顏色 紋理等等 結合各尺度結果，進行融合，形成大一些的region。具體參見 本文主要講解的是region...