IOU计算: 交并比

先上代码

Python版

class Iou:
    def compute_iou(self, x1, y1, x2, y2, x3, y3, x4, y4):
    
        #两矩阵面积之和
        area = (x2 - x1) * (y2 - y1) + (x4 - x3) * (y4 - y3)
		# 两矩阵相交部分的左上角和右下角坐标确定
        middle_x1 = max(x1, x3)
        middle_x2 = min(x2, x4)
        middle_y1 = max(y1, y3)
        middle_y2 = min(y2, y4)
        middle_w = max(0.0, middle_x2 - middle_x1)
        middle_h = max(0.0, middle_y2 - middle_y1)
        
        #两矩阵之交
        middle_area = middle_w * middle_h
        
        # return 交 / 并
        return middle_area / (area - middle_area)


if __name__=="__main__":
    rec1 = [27, 661, 47, 679]
    rec2 = [27, 662, 47, 682]
    a = Iou().compute_iou(*rec1, *rec2)
    print(f"a: {a}")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

C++ 版

推导过程

IOU公式如下：

$$IOU=两矩阵交/两矩阵并$$

以左上角为远点。已知两个矩阵的左上角和右下角坐标，计算IOU。具体地，
第一个矩形rec1，左上：(x1, y1) ，右下：(x2, y2) ；
第二个矩形rec2，左上：(x3, y3) ，右下：(x4, y4) ；
很容易计算两个矩阵的和，公式如下：
$$area=rec1+rec2=(x2-x1)\ast (y2-y1)+(x4-x3)\ast (y4-y3)$$
要计算两矩阵的交，则要确定相交的面积的左上和右下坐标，则有：
$$middle\_left=max(x1,x3)$$
$$middle\_right=min(x2,x4)$$
$$middle\_top=max(y1,y3)$$
$$middle\_buttom=min(y2,y4)$$
因此矩阵的交为：
$$middle\_area=(middle\_right-middle\_left)\ast (middle\_buttom-middle\_top)$$

矩阵的并为：
$$矩阵的并=矩阵的和-矩阵的交$$
因此最终公式为
$$IOU=\frac{middle\_area}{area-middle\_area}$$

NMS:非极大值抑制(Non-Maximum Suppression, NMS)

先上代码

import numpy as np
import matplotlib.pyplot as plt

class Solution:
    def nms(self, boxes, threshold):

        # 计算所有候选框面积，利用numpy一次计算所有的候选框
        x1, y1, x2, y2, score = boxes[:, 0], boxes[:, 1], boxes[:, 2], boxes[:, 3],  boxes[:, 4]

        #计算每个框的面积
        areas = (x2 - x1 + 1) * (y2 - y1 + 1)

        # 对每个框的置信度进行从小到大排序，order存储的是对应score中从小到大的索引值
        order = np.argsort(score)

        # keep是返回值，经过 NMS 后挑选出的框
        keep = []

        while order.size > 0:
            # 将当前置信度最大的框加入返回值，并用其抑制iou>给定阈值的框，小于阈值的框继续做NMS，直到所有框被挑选完
            index = order[-1]
            keep.append(index)

            # 计算置信度最大的框和其余框的iou，这里计算的数量为当前order.size - 1.
            middle_x1 = np.maximum(x1[index], x1[order[:-1]])
            middle_x2 = np.minimum(x2[index], x2[order[:-1]])
            middle_y1 = np.maximum(y1[index], y1[order[:-1]])
            middle_y2 = np.minimum(y2[index], y2[order[:-1]])

            # 特殊情况处理，对左上角和右下角框的坐标进行判断：右下角坐标 - 左上角坐标 > 0 返回对应值，否则返回 0
            middle_w = np.maximum(0.0, middle_x2 - middle_x1 + 1)
            middle_h = np.maximum(0.0, middle_y2 - middle_y1 + 1)
            middle_area = middle_h * middle_w

            # 计算当前置信度最大的框与其余框的iou，将iou大于阈值的框删除
            iou_ratio = middle_area / (areas[index] + areas[order[:-1]] - middle_area)

            # 挑选小于给定阈值的iou继续进行 NMS
            left = np.where(iou_ratio < threshold)

            # 将所有< threshold的索引取出来
            order = order[left]

        return keep
    def plot_bbox(self, dets, c='k'):
        x1 = dets[:, 0]
        y1 = dets[:, 1]
        x2 = dets[:, 2]
        y2 = dets[:, 3]

        plt.plot([x1, x2], [y1, y1], c)
        plt.plot([x1, x1], [y1, y2], c)
        plt.plot([x1, x2], [y2, y2], c)
        plt.plot([x2, x2], [y1, y2], c)
        plt.title(" nms")



if __name__=="__main__":
    boxes = np.array([[100, 100, 250, 250, 0.8],
                      [250, 250, 420, 420, 0.95],
                      [220, 220, 320, 330, 0.92],
                      [100, 100, 210, 210, 0.7],
                      [230, 240, 325, 330, 0.81],
                      [220, 230, 315, 340, 0.9]])
    threshold = 0.7

    s1 = Solution()
    a = s1.nms(boxes, threshold)
    for i in boxes[a]:
        print(f"boxes_nms: {i}")

    # 可视化 NMS 效果
    plt.figure(1)
    ax1 = plt.subplot(1, 2, 1)
    ax2 = plt.subplot(1, 2, 2)

    plt.sca(ax1)
    s1.plot_bbox(boxes, 'k')  # before nms

    keep = a
    plt.sca(ax2)
    s1.plot_bbox(boxes[keep], 'r')  # after nm
    plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84

推导过程

1. 我们先将所有候选框的置信度排序，因为我们最终是要最大的
2. 将置信度最大的加入到最终的返回值中
3. 将其他的候选框和当前置信度最大的框计算iou
4. 如果iou大于一个阈值，则可删除（说明和置信度大的那个是重叠的）
5. 将剩下的框重复以上过程

来源

python计算iou以及nms
python实现IOU计算