本文共 1041 字，大约阅读时间需要 3 分钟。

1. NMS

非极大抑制，筛选候选区域，删除冗余的候选框。

迭代过程：

    对于某个类别中Bounding Box的位置以及置信度集合列表B，选择具有最大score的检测框M,将其从B集合中移除并加入到最终的       模型输出检测结果G中。然后将B中剩余检测框中与M的IoU大于阈值threshold的框从B中移除。然后重复上述过程,直到B为空。

import numpy as npdef nms(dets, thresh):    """    dets: 检测的boxes以及对应的scores    thresh: 设定的阈值    """    x1 = dets[:, 0]    y1 = dets[:, 1]    x2 = dets[:, 2]    y2 = dets[:, 3]    scores = dets[:,4]    # 计算每个boxes的面积    areas = (x2 - x1)*(y2 - y1)    # 对分数进行排序，得到排序后的索引值的排序    order = scores.argsort()[::-1]    keep = []    while order.size > 0:        i = order[0]        keep.append(i)        #计算剩余boxes与当前box的重叠程度，IOU        xx1 = np.maximum(x1[i], x1[order[1:]])        yy1 = np.maximum(y1[i], y1[order[1:]])        xx2 = np.minimum(x2[i], x2[order[1:]])        yy2 = np.minimum(y2[i], y2[order[1:]])        w = np.maximum(0.0, xx2 - xx1)        h = np.maximum(0.0, yy2 - yy1)        inter = w * h        ovr = inter/(areas[i]+areas[order[1:]]-inter)        # 保留iou小雨设定阈值的boxes        inds = np.where(ovr<=thresh)[0]        order = order[inds+1]    return keep

2. 卡尔曼滤波

转载地址：http://cvnws.baihongyu.com/