非极大值抑制--NMS

NMS（non maximum suppression）应用：边缘检测、目标检测等。

背景：

     绝大多数人脸检测器的核心是分类器，即给定一个尺寸固定的图片，分类器判断是否为人脸；

     而分类器晋升为检测器的关键是： 常用滑动窗口在原始图像上从多个尺度产生窗口，并resize到固定尺寸，然后送给分类器做判断，如下图所示：

目标：

     一个对象只保留一个最优的框 ，用非极大值抑制，来抑制那些冗余的框： 抑制的过程是一个迭代-遍历-消除的过程。

NMS 算法的核心：

      1.将所有框的得分排序，选中置信度最高的一个boundingbox(bbox)框作为目标

      2.遍历其余的框，如果和目标bbox 最高分框的重叠面积(IOU)大于一定阈值，我们就在剩下的bbox中去除该bbox（即使该bbox的置信度与目标bbox的置信度一样）

      3.从未处理的框中继续选一个得分最高的（第二置信度），重复上述1、2过程。

def nms(dets, thresh):
    '''     NMS非极大值抑制算法  '''
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]  # confidence
    # 每个boundingbox的面积
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    # boundingbox的置信度排序
    order = scores.argsort()[::-1]
    # 用来保存最后留下来的boundingbox
    keep = []
    while order.size > 0:
        i = order[0]  # 置信度最高的boundingbox的index
        keep.append(i)  # 添加本次置信度最高的boundingbox的index
        # 当前bbox和剩下bbox之间的交叉区域; 选择大于x1,y1和小于x2,y2的区域
        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:]])

        # 当前bbox和其他剩下bbox之间交叉区域的面积
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h

        # 交叉区域面积 / (bbox + 某区域面积 - 交叉区域面积)
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        # 保留交集小于一定阈值的boundingbox
        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1]
    return keep


if __name__ == "__main__":
    dets = np.array([
        [204, 102, 358, 250, 0.5],
        [257, 118, 380, 250, 0.7],
        [280, 135, 400, 250, 0.6],
        [255, 118, 360, 235, 0.7]])
    thresh = 0.4
    print "最大bbox:", nms(dets, thresh)