文章作者：Tyan
非極大值抑制，簡稱為NMS算法，英文為Non-Maximum Suppression。其思想是搜素局部最大值，抑制極大值。NMS算法在不同應用中的具體實作不太一樣，但思想是一樣的。非極大值抑制，在計算機視覺任務中得到了廣泛的應用，例如邊緣檢測、人臉檢測、目标檢測（DPM，YOLO，SSD，Faster R-CNN）等。
以目标檢測為例：目标檢測的過程中在同一目标的位置上會産生大量的候選框，這些候選框互相之間可能會有重疊，此時我們需要利用非極大值抑制找到最佳的目标邊界框，消除備援的邊界框。Demo如下圖：
左圖是人臉檢測的候選框結果，每個邊界框有一個置信度得分(confidence score)，如果不使用非極大值抑制，就會有多個候選框出現。右圖是使用非極大值抑制之後的結果，符合我們人臉檢測的預期結果。
前提：目标邊界框清單及其對應的置信度得分清單，設定門檻值，門檻值用來删除重疊較大的邊界框。
IoU：intersection-over-union，即兩個邊界框的交集部分除以它們的并集。
非極大值抑制的流程如下：
根據置信度得分進行排序
選擇置信度最高的比邊界框添加到最終輸出清單中，将其從邊界框清單中删除
計算所有邊界框的面積
計算置信度最高的邊界框與其它候選框的IoU。
删除IoU大于門檻值的邊界框
重複上述過程，直至邊界框清單為空。
Python代碼如下：
記得給個Star。Demo原圖在<code>README.md</code>裡。
實驗結果：
門檻值為0.6
門檻值為0.5
門檻值為0.4
<a href="https://www.pyimagesearch.com/2014/11/17/non-maximum-suppression-object-detection-python/">https://www.pyimagesearch.com/2014/11/17/non-maximum-suppression-object-detection-python/</a>
<a href="http://cs.brown.edu/~pff/papers/lsvm-pami.pdf">http://cs.brown.edu/~pff/papers/lsvm-pami.pdf</a>
<a href="http://blog.csdn.net/shuzfan/article/details/52711706">http://blog.csdn.net/shuzfan/article/details/52711706</a>
<a href="http://www.cnblogs.com/liekkas0626/p/5219244.html">http://www.cnblogs.com/liekkas0626/p/5219244.html</a>
<a href="http://www.tk4479.net/yzhang6_10/article/details/50886747">http://www.tk4479.net/yzhang6_10/article/details/50886747</a>
<a href="http://blog.csdn.net/qq_14845119/article/details/52064928">http://blog.csdn.net/qq_14845119/article/details/52064928</a>