#coding:utf-8
import numpy as np
#nms 非極大值抑制
#輸入為bbox資料,包含[ymin,xmin,ymax,xmax];每個bbox的評分；每個bbox的標籤，如果沒有標籤就注釋掉
def py_cpu_nms(dets,socres,label, thresh=0.4):
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = socres #bbox打分
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
#打分從大到小排列，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，肯定保留
i = order[0]
#計算視窗i與其他所有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:]])
# print xx1.shape
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)
# print ovr
inds=
# print label[0]
b=order[0]
#inds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
#只有在標籤一致的情況下才會判斷是否被視窗吸收，如果沒有標籤的話就使用下面注釋的**
for j in range(len(order)-1):
a=order[j+1]
if label[a]==label[b]:
if ovr[j]<=thresh:
else:
#order裡面只保留與視窗i交疊面積小於threshold的那些視窗，由於ovr長度比order長度少1(不包含i)，所以inds+1對應到保留的視窗
order = order[inds]
# inds = np.where(ovr <= thresh)[0]
# order = order[inds + 1]
return keep
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...