非極大值抑制的計算方式

最近一直在研究目標檢測的演算法，其中有個很重要的概念叫做非極大值抑制（non-maximum suppression），其主要目的是為了消除多餘的框，找到最佳的物體檢測的位置。如定位乙個車輛，最後演算法就找出了一堆的方框，我們需要判別哪些矩形框是沒用的。非極大值抑制：先假設有6個矩形框，根據分類器類別分類概率做排序，從小到大分別屬於車輛的概率分別為a、b、c、d、e、f。

(1)從最大概率矩形框f開始，分別判斷a~e與f的重疊度iou是否大於某個設定的閾值;

(2)假設b、d與f的重疊度超過閾值，那麼就扔掉b、d；並標記第乙個矩形框f，是我們保留下來的。

(3)從剩下的矩形框a、c、e中，選擇概率最大的e，然後判斷e與a、c的重疊度，重疊度大於一定的閾值，那麼就扔掉；並標記e是我們保留下來的第二個矩形框。就這樣一直重複，找到所有被保留下來的矩形框。

給定boxes的座標（左上角，右下角）boxes = np.array([[1, 2, 3, 4], [1, 3, 3, 4], [1, 3, 4, 4], [1, 1, 4, 4], [1, 1, 3, 4]])

以及每個boxes的置信度scores = np.array([0.4, 0.5, 0.72, 0.9, 0.45], dtype=np.float32)

1、首先繪製圖形的座標如下所示意

選取置信度最大的0.9的邊框（1, 1, 4, 4）那麼我們可以得到他們的iou如下所示，此時剔除掉iou > 0.5的值即是boxes[4]，此時先輸出第乙個邊框boxes[3]。剩下的邊框是boxes[0]，boxes[1]，boxes[2]

2、繪製剩下的boxes的座標

此時剩下的boxes中置信度最高的事boxes[2]的0.72，以此以框來計算iou，此時剔除掉iou > 0.5的值即是boxes[1]，此時輸出第二個邊框boxes[2]。剩下的邊框是boxes[0]，到此就結束了，如果有更多的邊框就依次計算下去。

回顧一下，通過非極大值抑制

boxes = np.array([[1, 2, 3, 4], [1, 3, 3, 4], [1, 3, 4, 4], [1, 1, 4, 4], [1, 1, 3, 4]])

scores = np.array([0.4, 0.5, 0.72, 0.9, 0.45], dtype=np.float32)

輸出最後的邊框的是boxes[3]，boxes[2]，boxes[0]

[[1 1 4 4]，[1 3 4 4]，[1 2 3 4]]

上面的方法其實實現起來也很簡單，只不過框架已經幫我們實現了，下面就是呼叫的例子

import tensorflow as tf
import numpy as np
boxes = np.array([[
1,2,
3,4]
,[1,
3,3,
4],[
1,3,
4,4]
,[1,
1,4,
4],[
1,1,
3,4]
])scores = np.array(
[0.4
,0.5
,0.72
,0.9
,0.45
], dtype=np.float32)
with tf.session(
)as sess:
nn = tf.image.non_max_suppression(boxes, scores, max_output_size=
10,iou_threshold=
0.5)
ss = sess.run(nn)
kk = tf.gather(boxes, ss)
sb = sess.run(kk)
print
('索引 = 'ss)
print
('座標 = 'sb)
#### 輸出：
#### 索引 = [3 2 0]
#### 座標 = [[1 1 4 4]
#### [1 3 4 4]
#### [1 2 3 4]]

非極大值抑制的計算方式

非極大值抑制 非極大值抑制NMS的python實現

非極大值抑制

非極大值抑制

相關推薦

非極大值抑制非極大值抑制NMS的python實現