Yolo算法检测之NMS（非极大值抑制）原理详解

刚开始学习算法的时候，nms非极大值一直学不明白，今天终于搞明白了，大致总结一下。

首先我们简单看一下NMS使用的这个背景

按照yolo目标检测算法的初步思想来说，把图片分成19*19网格之后，理论上这个19*19个网格里面包含汽车一部分的都会检测到汽车的存在，那么带来的问题就是，很多个网格都能检测到汽车如下图所示，显然这并不是我们想要的效果，我们只想一个网格里检测到车（一辆车），图像上两辆车应该是两个网格。

因为我们在检测的时候，可能对一个目标做重复多次检测，这个时候NMS的使用，就是为了删除那些无用的目标检测框，留下一个最佳的目标检测框。

 下面我们介绍NMS的工作思想：

        如上图所示，每个边框都有他的概率，我们选出概率最高的边框进行高亮显示，然后NMS对剩下的矩形进行逐一扫描对比，所有跟这个高亮边框有很高的的交并比，高度重叠的其他预测框都会被抑制。比如右边那个车辆，我们得到0.9的高亮框，因为0.6和0.7的两个高亮框跟0.9的这个IOU最高，因此我们要一直0.6和0.7的这两个高亮框使其变暗。左边汽车的处理方法同。然后经过NMS的处理，我们可以得到如下图所示的效果，即每个车辆身上只有一个预测框。

这就达到了非极大值抑制的效果，所谓非极大值抑制，即只输出概率最大的分类结果。

下面我们来具体分析一下NMS这个有意思的算法：

    一开始，我们需要设定一个阈值为Pc，例如Pc=0.6，我们删除掉所有概率小于0.6的目标边界框，然后对剩下的进行的NMS处理。如上诉。高亮概率最大的进行显示，其他的进行删除。往复如此，一直这样进行循环，直到只剩下一个边界框为止。

     在Yolo程序里面是构造了一个while进行循环不停的处理的，直到只剩下一个边界框，即跳出while。

总结：

      当然上述只是针对一种目标进行检测时候所进行的非极大值抑制，多个目标，假如你是三个目标进行非极大值抑制的时候，你就需要进行三次独立的非极大值抑制，然后作用于输出结果即可。