一方面，Nms的主要目的在物体检测非极大抑制中应用非常广泛，主要目的是去除多余的边框，找到最佳的物体检测位置。
上图：在几个框里检测到人脸，但不需要那么多框。 需要找到最能表现人脸的框框。 下图的汽车检查也是同样的原理。
非极大值抑制
稍后关于RCNN算法的说明，是因为从一张图像中找出n个以上可能是物体的矩形框，对每个矩形框制作分类概率。
如上图所示，确定车辆后，最后的算法找到了很多箱子。 你需要辨别哪个矩形框是没用的。 非极大值抑制：首先假设有6个矩形框，根据分类器类别的分类概率排序，从小到大分别属于车辆的概率分别为a、b、c、d、e、f。
)1)根据最大概率矩形框f，分别判断A~E和f的重叠度IOU是否大于某个设定的阈值；
)2)假设b、d和f的重复度超过阈值，则舍弃b、d。 标记第一个矩形框f。 这是我们留下的东西。
)3)从剩下的矩形框a、c、e中，选择概率最高的e，判断e和a、c的重复度，如果重复度大于一定的阈值则舍弃。 标记e是我们留下的第二个矩形框。
nt-family:Arial; font-size:14px; line-height:26px; color:rgb(51,51,51)"> 就这样一直重复，找到所有被保留下来的矩形框。
非极大值抑制（NMS）非极大值抑制顾名思义就是抑制不是极大值的元素，搜索局部的极大值。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法，而是用于在目标检测中用于提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。
非极大抑制，顾名思义就是把非极大值过滤掉（抑制）。下面我就R-CNN或者SPP_net中的matlab源码来进行解释。
function picks = nms_multiclass(boxes, overlap)%%boxes为一个m*n的矩阵，其中m为boundingbox的个数，n的前4列为每个boundingbox的坐标，格式为%%（x1,y1,x2,y2）；第5:n列为每一类的置信度。overlap为设定值，0.3,0.5 .....x1 = boxes(:,1);%所有boundingbox的x1坐标y1 = boxes(:,2);%所有boundingbox的y1坐标x2 = boxes(:,3);%所有boundingbox的x2坐标y2 = boxes(:,4);%所有boundingbox的y2坐标area = (x2-x1+1) .* (y2-y1+1); %每个%所有boundingbox的面积picks = cell(size(boxes, 2)-4, 1);%为每一类预定义一个将要保留的cellfor iS = 5:size(boxes, 2)%每一类单独进行 s = boxes(:,iS); [~, I] = sort(s);%置信度从低到高排序 pick = s*0; counter = 1; while ~isempty(I) last = length(I); i = I(last); pick(counter) = i;%无条件保留每类得分最高的boundingbox counter = counter + 1; xx1 = max(x1(i), x1(I(1:last-1))); yy1 = max(y1(i), y1(I(1:last-1))); xx2 = min(x2(i), x2(I(1:last-1))); yy2 = min(y2(i), y2(I(1:last-1))); w = max(0.0, xx2-xx1+1); h = max(0.0, yy2-yy1+1); inter = w.*h; o = inter ./ (area(i) + area(I(1:last-1)) - inter);%计算得分最高的那个boundingbox和其余的boundingbox的交集面积 I = I(o<=overlap);%保留交集小于一定阈值的boundingbox end pick = pick(1:(counter-1)); picks{iS-4} = pick;%保留每一类的boundingboxend