在目標檢測中應用的多，實際上只要涉及到類似的數據處理問題，都可以用非極大值抑制方法。

一、在基于深度學習（各種CNN）模型的目標檢測案例中出現的較多，還涉及到IoU（交并比的概念）。參考了這篇博客：https://blog.csdn.net/xiexu911/article/details/80609298

非極大值抑制就是一個尋找局部最大值的過程。（數據結構中的查找或者排序的類似思想，需要迭代方法）

在進行目標檢測時一般會采取窗口滑動的方式，在圖像上生成很多的候選框，然后把這些候選框進行特征提取后送入分類器，一般會得出一個得分（score），比如人臉檢測，會在很多框上都有得分，然后把這些得分全部排序。選取得分最高的那個框，接下來計算其他的框與當前框的重合程度（iou），如果重合程度大于一定閾值就刪除，因為在同一個臉上可能會有好幾個高得分的框，都是人臉但是不需要那么框我們只需要一個就夠了。

那么肯定有人會好奇，如果圖片中有好幾個人臉，你這選取一個最大的，那第二個人臉怎么辦呢。

實際上這是一個迭代的過程，第一步的非極大值抑制就是選取了某一個最大的得分，然后刪除了他周邊的幾個框，第二次迭代的時候在剩下的框里面選取一個最大的，然后再刪除它周圍iou區域大于一定閾值的，這樣不停的迭代下去就會得到所有想要找到的目標物體的區域。

假設有ABCDEF這么多個得分框（已經按照得分從小到大排序）。

?

1、從最大概率矩形框F開始，分別判斷A~E與F的重疊度IOU是否大于某個設定的閾值;

2、假設B、D與F的重疊度超過閾值，那么就扔掉B、D；并標記第一個矩形框F，是我們保留下來的。

3、從剩下的矩形框A、C、E中，選擇概率最大的E，然后判斷E與A、C的重疊度，重疊度大于一定的閾值，那么就扔掉；并標記E是我們保留下來的第二個矩形框。

4、一直重復這個過程，找到所有曾經被保留下來的矩形框。

?

第一步尋找得分框：

第一次迭代找到一個：

?

第二次迭代找到另外一個：

參考：https://blog.csdn.net/shuzfan/article/details/52711706

????????????https://blog.csdn.net/zchang81/article/details/70211851

?

二、在激光slam中提取角點特征的時候也可以用到

參考了這篇論文： [1]滿增光,葉文華,肖海寧,錢曉明.從激光掃描數據中提取角點特征的方法[J].南京航空航天大學學報,2012,44(03):379-383.

總結

以上是生活随笔為你收集整理的数学--数据处理--非极大值抑制（NMS）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。