1、iou計算
設兩個邊界框分別為a，b。a的座標為ax1，ax2，ay1，ay2，且ax1 < ax2，ay1 < ay2。b和a類似。
則iou為a∩b除以a∪b。
當兩個邊界框有重疊部分時，即位於上面邊框的y2大於下面邊框的y1，且左邊邊框的x2大於右邊邊框的x1時，iou才大於0.
否則a和b不重疊，iou等於0.
若兩個邊框重疊，設重疊邊框為c，x1 = maximum(ax1，bx1)，x2 = minimum(ax2，bx2)。y座標計算同理。
那麼c的w等於x2 - x1，h等於y2 - y1.
但是需要注意，若a和b無重疊部分，則會出現x1 > x2或y1 > y2的情況，w或h會是負值，
因此需要讓w = maximum(x2 - x1, 0)，h = maximum(y2 - y1, 0)，這樣當a和b無重疊部分時，重疊部分面積w * h 等於0.
2、nms(non maximum suppression)
該演算法是為了防止某目標被多個重疊度較高的框檢測，
在所有框中選取置信度最大的框a，若其它框與框a的iou超過某一閾值，則去除這些框。在剩下的框中重複該過程。
1defnms(dets, thresh):
2 x1 =dets[:, 0]
3 y1 = dets[:, 1]
4 x2 = dets[:, 2]
5 y2 = dets[:, 3]
6 scores = dets[:, 4] #置信度
78 areas = (x2 - x1 + 1) * (y2 - y1 + 1)
9 order = scores.argsort()[::-1] #從大到小排序的下標
1011 keep =
12while order.size >0:
13 i =order[0]
1415 xx1 = np.maximum(x1[i], x1[order[1:]])
16 yy1 = np.maximum(y1[i], y1[order[1:]])
17 xx2 = np.minimum(x2[i], x2[order[1:]])
18 yy2 = np.minimum(y2[i], y2[order[1:]])
1920 w = np.maximum(0.0, xx2 - xx1 + 1)
21 h = np.maximum(0.0, yy2 - yy1 + 1)
22 inter = w *h
23 ovr = inter / (areas[i] + areas[order[1:]] -inter)
2425 inds = np.where(ovr <=thresh)[0]
26 order = order[inds + 1]
27return keep #返回留下的邊界框的下標
NMS 非極大值抑制 實現
nms演算法思路 於 把置信度最高的乙個boundingbox bbox 作為目標，然後對比剩下bbox與目標bbox之間的交叉區域 如果交叉區域大於設定的閾值，那麼在剩下的bbox中去除該bbox 即使該bbox的置信度與目標bbox的置信度一樣 這個操作就是抑制最大重疊區域 把第二置信度高的bb...
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...