3.6 非最大抑制上

以介绍了级联分类器的所有组成部分。对于每一个子窗口现在都有一个概率值p+来表示该子窗口中存在感兴趣目标的可信度（存在目标的概率）。Blaschko[7]定义了一个进行目标检测的理想情况：子窗口中含有目标，则可信度为1；子窗口中没有目标，则其可信度为0。但对一个实际给定的位置，这个值往往是像图3.11那样，或低或高的。图3.11显示了绿色标记的正确检测结果周围的几个可信度较高的检测结果。Blaschko还指出，只考虑那些可信度最大的子窗口也是有问题的，因为这将忽视掉一些局部最大值。但是，使用非最大抑制法可以找出相关的局部最大值。

图3.11 对高可信度的重叠子窗口（黄）取均值融合成单窗口（绿）  图片来自[41]

本文所采用的非最大抑制法是一种基于空间重叠簇检测的方法[49]。对每一簇中所有的边界框用取均值的方法将其融合成一个框。取融合后的这个框所对应的那一簇中所有边界框可信度的最大值为该融合框的可信度。在图3.12中，B1表示第一个边界框的面积；B2表示第二个边界框的面积；I表示这两个边界框重叠部分的面积。我们引用PASCAL challenge[18]中的公式来计算这两个边界框的重叠度：

接下来，我们使用分级聚类算法[37]。首先，我们从所有可信边界框中成对地取出边界框计算它们的重叠度；其次，任取一个边界框开始，在余下边界框中寻找它的最近邻边界框；如果它们间的距离小于一个确定的阈值（本文实验阈值取0.5），就归并到同一簇。否则，将其分到一个新的簇。然后，再用这个方法处理下一个边界框。

图3.12 定义边界框B1、B2的的重叠度为重叠区域面积与它们总面积的比值