深度神经网络模块

OpenCV: Deep Neural Network module

函数	描述	代码示例
NMSBoxes()

函数

（1）NMSBoxes() & NMSBoxesBatched()

给出一张图片和上面许多物体检测的候选框（即每个框可能都代表某种物体），但是这些框很可能有互相重叠的部分，我们要做的就是只保留最优的框。假设有N个框，每个框被分类器计算得到的分数为Si, 1<=i<=N。

算法流程：

0）建造一个存放待处理候选框的集合H，初始化为包含全部N个框；建造一个存放最优框的集合M，初始化为空集。 1）将所有集合 H 中的框进行排序，选出分数最高的框 m，从集合 H 移到集合 M； 2）遍历集合 H 中的框，分别与框 m 计算交并比（Interection-over-union，IoU），如果高于某个阈值（一般为0~0.5），则认为此框与 m 重叠，将此框从集合 H 中去除。 3）回到第1步进行迭代，直到集合 H 为空。集合 M 中的框为我们所需。

bboxes: 这是一组需要应用非最大抑制的边界框。边界框通常是矩形框，表示为(x, y, width, height)的形式，其中(x, y)是框的左上角坐标，width和height分别是框的宽度和高度。

scores: 这是与bboxes中每个边界框相对应的置信度分数集合。这些分数表示模型对每个边界框包含目标对象的信心程度。

score_threshold: 这是一个阈值，用于过滤掉那些置信度低于此阈值的边界框。只有置信度高于或等于这个阈值的边界框才会被考虑进行NMS。

nms_threshold: 这是在非最大抑制过程中使用的阈值。它决定了在抑制重叠边界框时，哪些框应该被保留或被删除。

indices: 这是NMS操作后保留的边界框的索引列表。这些索引指向原始bboxes列表中被保留的边界框。

eta: 这是一个系数，用于自适应阈值公式$nms\_threshold\_{i+1} = eta\cdot nms\_threshold\_i$。这个系数允许NMS阈值根据每个边界框的置信度进行调整。

top_k: 如果设置为大于0的值，表示在NMS操作后最多保留top_k个边界框。这可以用于进一步减少边界框的数量，只保留最有可能包含目标对象的框。

void cv::dnn::NMSBoxes(const std::vector<Rect>& bboxes,
                       const std::vector<float>& scores,
                       const float score_threshold,
                       const float nms_threshold,
                       std::vector<int>& indices,
                       const float eta = 1.f,
                       const int top_k = 0
                      );

void cv::dnn::NMSBoxes(const std::vector<Rect2d>& bboxes, const std::vector<float>& scores, const float score_threshold, const float nms_threshold, std::vector<int>& indices, const float eta = 1.f, const int top_k = 0);

void cv::dnn::NMSBoxes(const std::vector<RotatedRect>& bboxes, const std::vector<float>& scores, const float score_threshold, const float nms_threshold, std::vector<int>& indices, const float eta = 1.f, const int top_k = 0);

void cv::dnn::NMSBoxesBatched(const std::vector<Rect>& bboxes, const std::vector<float>& scores, const std::vector<int>& class_ids, const float score_threshold, const float nms_threshold, std::vector<int>& indices, const float eta = 1.f, const int top_k = 0);

void cv::dnn::NMSBoxesBatched(const std::vector<Rect2d>& bboxes, const std::vector<float>& scores, const std::vector<int>& class_ids, const float score_threshold, const float nms_threshold, std::vector<int>& indices, const float eta = 1.f, const int top_k = 0);

cv.dnn.NMSBoxes(bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]) -> indices
cv.dnn.NMSBoxesRotated(bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]) -> indices
cv.dnn.NMSBoxesBatched(bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]) -> indices