然後關鍵的部分來了，我們對iou進行篩選，若iou大於我們所設定的閾值，則我們認為，此框與基準框檢測的為同一目標，為重複檢測，我們就將其抑制，若iou低於我們設定的閾值，我們就進行下一步的迴圈，取出經過第一輪所篩選後的框，仍然取出剩下的框的分數最高的box，作為新的基準框，對剩下的框再次計算iou，仍然遵循上述的iou大於則抑制，小於等於則進入下一輪迴圈，直至框的數量為0.
這樣說可能仍然有些難以理解。
我們舉個例子會更好理解。假設我們**人臉出現了七個框：
分數分別為[0.9，0.8，0.7，0.6，0.5，0.4，0.3]
首先我們取出分數為0.9的框，作為基準框，剩餘的六個框依次與其進行iou計算
計算的iou假設為[0.7，0.8，0.6，0.4，0.6，0.2]
假設我們設定的iou閾值thresh為0.5，
則上述與基準框iou大於0.5的框均會抑制，即只剩下iou為0.4和0.2的框，也就是對應的分數為0.5和0.3的框。
此時我們進行新一輪的迴圈，我們將分數最高的0.5取出，將此框為基準框，計算剩下的box與其iou，若iou大於0.5則抑制，iou小於等於0.5則保留，假設剩下的分數為0.3的框與基準框iou為0.3,則保留，進入下一輪的迴圈。
如此多次迴圈後，每次的基準框都會被保留，直到所有的box數量為0。
好了，原理已經清楚，剩下的就是準備使用numpy手撕nms函式了。
我們首先從**的結果中獲得box的資訊：
以dets來接收box的資訊，
從dets中讀取box的資訊：
#dets為送入nms的框的資訊的集合，它是[x1,x2,y1,y2,score]的集合
#依次讀取x1，x2,y1,y2注意此時的他們都不是單獨的數，而是乙個用於存放所有的box的資訊集合
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
areas = (x2 - x1)*(y2 - y1)
但是實際中，我們為了保證區域面積不為零所以常用下面的方式：
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
接下來我們要對分數進行排序，因為我們始終需要進行一項取最高的分數的操作，所以我們一開始就對分數進行由高到低的排序，這樣後面就無需重複操作。
order = scores.argsort()[::-1]
x = np.array([3, 1, 2])np.argsort(x)
array([1, 2, 0])
可以看出numpy中的argsort函式可以對乙個array進行由低到高的操作，並返回其索引值。上面的返回值1，2，0代表著由低到高分別是第0號元素，第2號元素，第3號元素。
我們需要的是由高到低，所以進行[::-1]倒順序操作。
得到的order就是分數由高到低的box的索引值。
然後我們建立乙個空的list來存放我們的nms結果（即每輪迴圈的基準box）
keep =
最關鍵的迴圈步驟：
我們首先判斷box數量是否為零，由於我們擁有了order，order的size就是box的多少，所以我們先判斷：
while order.size > 0:
判斷大於零，我們進行操作，依照上面的，由於order已經由高到低，所以我們讀取order[0]，作為基準框，並將基準框，裝入我們的結果中：
xx1 = np.maximum(x1[i], x1[order[1:]]) #與基準框相比大的xmin
yy1 = np.maximum(y1[i], y1[order[1:]]) #與基準框相比大的ymin
xx2 = np.minimum(x2[i], x2[order[1:]]) #與基準框相比小的xmax
yy2 = np.minimum(y2[i], y2[order[1:]]) #與基準框相比小的ymax
np.maximum([-2, -1, 0, 1, 2], 0)array([0, 0, 0, 1, 2])
先找到滿足條件的值，然後返回大的那個，所以此時就是先比較基準框與其他框的四個點的大小，得到的即是重合的四個點四個座標，每個框都會與基準框有乙個重疊的區域我們把它定義為inter，inter的寬和高為：
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * hovr = inter / (areas[i] + areas[order[1:]] - inter) #計算iou下一步，在與基準框iou計算的所有框中我們進行篩選，大於閾值的抑制，保留小於閾值的，注意此時的box的數量時比所有的box少一的，因為我們取出了基準框：
inds = np.where(ovr <= thresh)[0]a = np.array([2,4,6,8,10])np.where(a > 5) # 返回索引
(array([2, 3, 4]),)
a[np.where(a > 5)] # 等價於 a[a>5]array([ 6, 8, 10]).
inds為我們儲存的與基準框iou小於閾值的框的索引值，此索引值是0到n-1中取的，n為總共所有的box，由於已經取出了order[0],所以減去1。
然後我們更新box，即是更新order，從inds來更新，由於一開始我們取出了order[0],所以我們在使用inds來更新order時需要加1操作。
order = order[inds + 1]import numpy as np
def py_cpu_nms(dets, thresh):
"""pure python nms baseline."""
#dets為送入nms的框的資訊的集合，它是[x1,y1,x2,y2,score]的集合
x1 = dets[:, 0] #依次讀取x1，x2,y1,y2注意此時的他們都不是單獨的數，而是乙個用於存放所有的box的資訊集合
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
areas = (x2 - x1 + 1) * (y2 - y1 + 1) #計算各個box的面積，為了避免出現為0，所以使用了加1
order = scores.argsort()[::-1] #將scores按照由高到低的方式進行排序，並返回由高到低的索引值給order，order也是乙個list
keep = #用於存放最後的結果
while order.size > 0: #迴圈，直至order中沒有元素
i = order[0] #讀取分數最大的box的索引並保留
xx1 = np.maximum(x1[i], x1[order[1:]]) #將剩餘的box與分數最大的box進行求重疊面積的座標計算，此時xx1，yy1，xx2，yy2也是乙個個集合
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) #計算重疊區域的wh計算，得出的結果仍然不是單獨的數，是乙個集合
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h #inter也是集合 是重疊區域的面積
ovr = inter / (areas[i] + areas[order[1:]] - inter) #計算iou
inds = np.where(ovr <= thresh)[0] #保留那些iou小於閾值的box的索引值，即剩下的box（仍是按照分數高低進行，因為一開始就是按照分數由高到低遍歷）
order = order[inds + 1] #由於order[0]一開始就被取出，所以索引值需要加一，即新的order也是乙個列表
return keep
後續有空的話可能會更新soft-nms的手撕**。
python實現目標跟蹤（opencv）
1.單目標跟蹤 import cv2 import sys major ver,minor ver,subminor ver cv2.version split print major ver,minor ver,subminor ver if name main 建立 tracker type m...
使用SSD實現目標檢測
本人主要參考這位大神的研究 利用這位大神的 執行了一遍ssd,之後會進一步研究ssd框架的原理和利用ssd布置自己的機械人。安裝和實現的過程中遇到了下面的一些編譯和執行的問題，我想先記錄下來，以備不時之需。第一 在對進行檢測的時候遇到 import matplotlib.pyplot as plt ...
python opencv實現目標區域裁剪功能
這個任務是自己在專案中資料處理的一部分內容，待處理的如下所示 我需要將目標區域給裁剪出來，要不然在後期訓練網路的時候整幅影象過大，且目標區域過小，得到結果不好，還會加劇計算量。在網上找了各個大佬的部落格看，沒找到合適的，便自己動手寫了，順便自己的小破站剛搭建起來，記錄一下自己的思路。思路去尋找目標區...