参考：
非极大值抑制（Non-Maximum Suppression，NMS）
py_cpu_nms.py
image.png
# ---------------------------
# 非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素
# 在faster rcnn中最后生成的回归框数量特别多且重叠，一般都是用NMS来进行边框过滤
# ---------------------------
from __future__ import absolute_import # 绝对路径导入
import numpy as np
import torch
# 输入：
# dets: 边界框集合(???类型),每一个单元为(x1,y1,x2,y2,confidence)
# thresh: iou过滤阈值
# 输出：nms处理过的边界框
def nms_cpu(dets, thresh):
dets = dets.numpy() # ???转换为numpy, N 维数组对象 ndarray
x1 = dets[:, 0] # 取出所有的边界框左上角点的x坐标放入x1
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
areas = (x2 - x1 + 1) * (y2 - y1 + 1) # 计算所有边界框的面积
# numpy的argsort()函数：返回数组值从小到大的索引值，
# 再加上[::-1]返回数组值从大到小的索引值,
# 也可以order = np.argsort(-score)
order = scores.argsort()[::-1]
# 思想：每次选出scores中最大的那个边界框
keep = []
while order.size > 0:
i = order[0]
keep.append(i) # 保留该类剩余box中得分最高的一个
xx1 = np.maximum(x1[i], x1[order[1:]]) # 获取得分最高的边界框与其他所有框的的相交区域的左上角x坐标
yy1 = np.maximum(y1[i], y1[order[1:]])
xx2 = np.minimum(x2[i], x2[order[1:]])
yy2 = np.minimum(y2[i], y2[order[1:]])
# 计算相交的面积,不重叠时面积为0
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h
# 计算IOU=重叠面积/(面积1+面积2-重叠面积)
ovr = inter / (areas[i] + areas[order[1:]] - inter)
# 保留iou小于等于阈值的边界框，其它则被过滤了
# numpy.where() 有两种用法：
# 1.np.where(condition, x, y):满足条件(condition)，输出x，不满足输出y。
# 2.np.where(condition):输出满足条件(即非0)元素的坐标(等价于numpy.nonzero)
inds = np.where(ovr <= thresh)[0]
# 因为ovr数组的长度比order数组少一个,所以这里要将所有下标后移一位,
# 获得下一个目标区域的得分最高的一个的索引
order = order[inds + 1]
return torch.IntTensor(keep)
