百度飛槳(PaddlePaddle) - PP-OCRv3 文字檢測識(shí)別系統(tǒng) 預(yù)測部署簡介與總覽
百度飛槳(PaddlePaddle) - PP-OCRv3 文字檢測識(shí)別系統(tǒng) Paddle Inference 模型推理（離線部署）
百度飛槳(PaddlePaddle) - PP-OCRv3 文字檢測識(shí)別系統(tǒng) 基于 Paddle Serving快速使用（服務(wù)化部署 - CentOS）
百度飛槳(PaddlePaddle) - PP-OCRv3 文字檢測識(shí)別系統(tǒng) 基于 Paddle Serving快速使用（服務(wù)化部署 - Docker）

NMS（non maximum suppression）即非極大值抑制，廣泛應(yīng)用于傳統(tǒng)的特征提取和深度學(xué)習(xí)的目標(biāo)檢測算法中。
NMS原理是通過篩選出局部極大值得到最優(yōu)解。
在2維邊緣提取中體現(xiàn)在提取邊緣輪廓后將一些梯度方向變化率較小的點(diǎn)篩選掉，避免造成干擾。
在三維關(guān)鍵點(diǎn)檢測中也起到重要作用，篩選掉特征中非局部極值。
在目標(biāo)檢測方面，無論是One-stage的SSD系列算法、YOLO系列算法還是Two-stage的基于RCNN系列的算法，非極大值抑制都是其中必不可少的一個(gè)組件，可以將較小分?jǐn)?shù)的輸出框過濾掉,同樣，在三維基于點(diǎn)云的目標(biāo)檢測模型中亦有使用。

在現(xiàn)有的基于anchor的目標(biāo)檢測算法中，都會(huì)產(chǎn)生數(shù)量巨大的候選矩形框，這些矩形框有很多是指向同一目標(biāo)，因此就存在大量冗余的候選矩形框。非極大值抑制算法的目的正在于此，它可以消除多余的框，找到最佳的物體檢測位置。

IoU(Intersection over Union) ：定位精度評(píng)價(jià)公式。
相當(dāng)于兩個(gè)區(qū)域交叉的部分除以兩個(gè)區(qū)域的并集部分得出的結(jié)果。

IoU各個(gè)取值時(shí)的情況展示，一般來說，這個(gè) Score ＞ 0.5 就可以被認(rèn)為一個(gè)不錯(cuò)的結(jié)果了。

IOU計(jì)算：

如何計(jì)算IoU（交并比）

選取兩個(gè)矩形框左頂角的橫，縱坐標(biāo)的最大值，x21，y21；選取兩個(gè)矩形框右下邊角的橫縱坐標(biāo)的最小值，x12，y12;

• 交集面積計(jì)算：

• 并集面積計(jì)算：

• 計(jì)算IOU公式

算法流程如下：

• 將所有框的得分排序，選中最高分及其對(duì)應(yīng)的框
• 遍歷其余的框，如果和當(dāng)前最高分框的重疊面積(IOU)大于一定閾值（常用的值為0.5左右），我們就將框刪除。（為什么要?jiǎng)h除，是因?yàn)槌^設(shè)定閾值，認(rèn)為兩個(gè)框的里面的物體屬于同一個(gè)類別，比如都屬于狗這個(gè)類別。我們只需要留下一個(gè)類別的可能性框圖即可。）
• 從未處理的框中繼續(xù)選一個(gè)得分最高的，重復(fù)上述過程。
  
  
  

代碼如下：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
NMS function（Non-Maximum Suppression，  抑制不是極大值的元素）
        psedocode:
            1. choose the highest score element  a_1  in set B, add a_1 to the keep set C
            2. compute the IOU between the chosen element(such as a_1) and others elements in set B
            3. only keep the nums  at set B whose IOU value is less than thresholds (can be set as >=0.5), delete the nums similiar
                to a_1(the higher IOU it is , the more interseciton between a_1 and it will have)
            4. choose the highest score value a_2 left at set B  and add a_2 to set C
            5. repeat the 2-4 until  there is nothing in set B, while set C is the NMS value set

"""
import numpy as np

# boxes表示人臉框的xywh4點(diǎn)坐標(biāo)+相關(guān)置信度
boxes = np.array([[100, 100, 210, 210, 0.72],
                  [250, 250, 420, 420, 0.8],
                  [220, 220, 320, 330, 0.92],
                  [230, 240, 325, 330, 0.81],
                  [220, 230, 315, 340, 0.9]])


def py_cpu_nms(dets, thresh):
    # dets:(m,5)  thresh:scaler

    x1 = dets[:, 0]  # [100. 250. 220. 230. 220.]
    y1 = dets[:, 1]  # [100. 250. 220. 240. 230.]
    x2 = dets[:, 2]  # [210. 420. 320. 325. 315.]
    y2 = dets[:, 3]  # [210. 420. 330. 330. 340.]

    areas = (y2 - y1 + 1) * (x2 - x1 + 1)
    scores = dets[:, 4]  # [0 1 3 4 2]
    keep = []
    # index表示按照scores從高到底的相關(guān)box的序列號(hào)
    index = scores.argsort()[::-1]  # [2 4 3 1 0]

    while index.size > 0:
        print("sorted index of boxes according to scores", index)
        # 選擇得分最高的score直接加入keep列表中
        i = index[0]
        keep.append(i)
        # 計(jì)算score最高的box和其他box分別的相關(guān)交集坐標(biāo)
        x11 = np.maximum(x1[i], x1[index[1:]])  # [220. 230. 250. 220.]  最高的被提走了，所以要從1開始取后 4位
        y11 = np.maximum(y1[i], y1[index[1:]])  # [230. 240. 250. 220.]
        x22 = np.minimum(x2[i], x2[index[1:]])  # [315. 320. 320. 210.]
        y22 = np.minimum(y2[i], y2[index[1:]])  # [330. 330. 330. 210.]

        print("x1 values by original order:", x1)
        print("x1 value by scores:", x1[index[:]])  #  [220. 220. 230. 250. 100.]
        print("x11 value means  replacing the less value compared" \
              " with the value by the largest score :", x11)
        # 計(jì)算交集面積
        w = np.maximum(0, x22 - x11 + 1)  # the weights of overlap
        h = np.maximum(0, y22 - y11 + 1)  # the height of overlap
        overlaps = w * h
        # 計(jì)算相關(guān)IOU值（交集面積/并集面積，表示邊框重合程度，越大表示越相似，越該刪除）
        # 重疊面積 /（面積1+面積2-重疊面積）
        ious = overlaps / (areas[i] + areas[index[1:]] - overlaps)
        # 只保留iou小于閾值的索引號(hào)，重復(fù)上步
        idx = np.where(ious <= thresh)[0]
        # 因?yàn)榈谝徊絠ndex[0]已經(jīng)被劃走，所以需要原來的索引號(hào)需要多加一
        index = index[idx + 1]

    return keep


import matplotlib.pyplot as plt


def plot_bbox(ax, dets, c='b', title_name="title"):
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]

    ax.plot([x1, x2], [y1, y1], c)
    ax.plot([x1, x1], [y1, y2], c)
    ax.plot([x1, x2], [y2, y2], c)
    ax.plot([x2, x2], [y1, y2], c)
    ax.set_title(title_name)


if __name__ == '__main__':
    # 1.創(chuàng)建畫板fig
    fig = plt.figure(figsize=(12, 6))

    # 參數(shù)解釋,前兩個(gè)參數(shù) 1,2 表示創(chuàng)建了一個(gè)一行兩列的框 第三個(gè)參數(shù)表示當(dāng)前所在的框
    ax1 = fig.add_subplot(1, 2, 1)
    ax2 = fig.add_subplot(1, 2, 2)

    plot_bbox(ax1, boxes, 'k', title_name="before nms")  # before nms

    keep = py_cpu_nms(boxes, thresh=0.7)

    plot_bbox(ax2, boxes[keep], 'r', title_name="after nms")  # after nms
    plt.show()

參考文獻(xiàn)：
https://blog.csdn.net/weixin_42237113/article/details/105743296
https://blog.csdn.net/lz867422770/article/details/100019587文章來源地址http://www.zghlxwxcb.cn/news/detail-458501.html

到了這里，關(guān)于非極大值抑制（NMS）算法詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！