大家好，欢迎来到IT知识分享网。

NMS的提出背景

NMS主要用于目标检测的候选框筛选（bbox），当两个bbox空间位置非常接近，就以score更高的那个作为基准，看IOU即重合度如何，如果与其重合度超过阈值，就抑制score更小的box，因为没有必要输出两个接近的box，只保留score大的就可以了。总结：NMS就是用来去掉检测任务中对于同一物体的重复检测框。

NMS的过程

1、基于前面的网络(如RPN)能为每个框给出一个score（置信度），score（置信度）越大证明框越接近期待值。

2、将各组box按照score（置信度）降序排列。

3、从score最大值开始，置为当前bbox，保存idex，然后依次遍历后面的bbox，计算与当前bbox的IOU值，分别在局部选出最大框，若大于阈值，可以看成两个框表示同一物体，则看作重复，抑制不输出。

4、 完成一轮遍历后，IOU小于阈值的框被保留下来，继续选择下一个非抑制的bbox作为当前bbox，重复步骤2

5、 返回没有被抑制的index即符合条件的box。

最后会生成一个稀疏矩阵。

NMS前：

NMS后：

图片引自：https://blog.csdn.net/shuzfan/article/details/52711706#commentsedit

二、代码实现

def NMS(dects,threshhold):
    """
    detcs:二维数组(n_samples,5)
    5列：x1,y1,x2,y2,score
    threshhold: IOU阈值
    """
    x1=dects[:,0]
    y1=dects[:,1]
    x2=dects[:,2]
    y2=dects[:,3]
    score=dects[:,4]
    ndects=dects.shape[0]#box的数量
    area=(x2-x1+1)*(y2-y1+1)
    order=score.argsort()[::-1] #score从大到小排列的indexs,一维数组
    keep=[] #保存符合条件的index
    suppressed=np.array([0]*ndects) #初始化为0，若大于threshhold,变为1，表示被抑制
    
    for _i in range(ndects):
        i=order[_i]  #从得分最高的开始遍历
        if suppressed[i]==1:
            continue
        keep.append(i) 
        for _j in range(i+1,ndects):
            j=order[_j]
            if suppressed[j]==1: #若已经被抑制，跳过
                continue
            xx1=np.max(x1[i],x1[j])#求两个box的交集面积interface
            yy1=np.max(y1[i],y1j])
            xx2=np.min(x2[i],x2[j])
            yy2=np.min(y2[i],y2[j])
            w=np.max(0,xx2-xx1+1)
            h=np.max(0,yy2-yy1+1)
            interface=w*h
            overlap=interface/(area[i]+area[j]-interface) #计算IOU（交/并）
            
            if overlap>=threshhold:#IOU若大于阈值，则抑制
                suppressed[j]=1
    return keep