C++实现非极大值抑制(NMS)算法详解

1. 非极大值抑制 (NMS) 算法

1.1 算法原理

NMS算法是一种用于目标检测后处理的技术，旨在从多个候选框中选择最合适的检测框，同时去除冗余的重叠框。具体步骤如下：

1. 首先，根据每个检测框的置信度得分进行降序排序。
2. 然后，选取得分最高的检测框作为当前最佳框，并计算其与剩余所有检测框之间的交并比（Intersection over Union, IoU）。
3. 如果某个检测框与当前最佳框的IoU超过了预设的阈值，则认为该检测框是冗余的，将其移除。
4. 重复上述过程，直到所有检测框都已处理完毕。

1.2 C++ 实现

以下是针对单类别检测框的NMS算法的C++实现代码：

#include 
#include 
#include 

std::vector cpu_nms(Eigen::Matrix& bboxes, tensorflow::Tensor& scores, float nms_thresh) {
    auto m_scores = Eigen::Map>(scores.flat().data(), 300, 2);
    Eigen::VectorXf class_vec = m_scores.col(1); // 按照得分排序
    Eigen::VectorXi score_order(300);
    argsort(class_vec, score_order);
    Eigen::VectorXf x1 = bboxes.col(4);
    Eigen::VectorXf y1 = bboxes.col(5);
    Eigen::VectorXf x2 = bboxes.col(6);
    Eigen::VectorXf y2 = bboxes.col(7);
    Eigen::VectorXf offset(300);
    offset.setConstant(1.0);
    std::vector keep;
    // 计算 bounding box 面积
    Eigen::VectorXf areas = (x2 - x1 + offset).cwiseProduct(y2 - y1 + offset);
    while (score_order.size() > 0) {
        int i = score_order[0];
        keep.push_back(i);
        int order_size = score_order.size();
        // 计算得分最高的检测框与其他检测框的重合区域面积
        Eigen::VectorXf xx1 = x1(score_order.segment(1, order_size - 1)).cwiseMax(x1[i]);
        Eigen::VectorXf yy1 = y1(score_order.segment(1, order_size - 1)).cwiseMax(y1[i]);
        Eigen::VectorXf xx2 = x2(score_order.segment(1, order_size - 1)).cwiseMin(x2[i]);
        Eigen::VectorXf yy2 = y2(score_order.segment(1, order_size - 1)).cwiseMin(y2[i]);
        Eigen::VectorXf w = (xx2 - xx1 + Eigen::VectorXf::Ones(order_size - 1)).cwiseMax(0);
        Eigen::VectorXf h = (yy2 - yy1 + Eigen::VectorXf::Ones(order_size - 1)).cwiseMax(0);
        Eigen::VectorXf inter = w.cwiseProduct(h);
        Eigen::VectorXf area_score_max(order_size - 1);
        area_score_max.setConstant(areas[i]);
        // 计算得分最高的检测框与其他检测框的面积和
        Eigen::VectorXf ovr = inter.cwiseQuotient(area_score_max + areas(score_order.segment(1, order_size - 1)) - inter);
        Eigen::VectorXi index_cOnd= (ovr.array() ();
        int cond_sum = index_cond.sum();
        Eigen::VectorXi inds(cond_sum);
        inds.setZero();
        select_where(index_cond, inds);
        Eigen::VectorXi offset2(cond_sum);
        offset2.setConstant(1);
        Eigen::VectorXi selcet_elem = score_order(inds + offset2);
        score_order = selcet_elem;
    }
    return keep;
}