caffe版本Faster-RCNN：py-faster-rcnn-master/lib/datasets/ds_utils.py ->关于box的一些操作，主要是过滤

最新推荐文章于 2023-01-12 09:54:59 发布

原创最新推荐文章于 2023-01-12 09:54:59 发布 · 256 阅读

CC 4.0 BY-SA版权

本文深入探讨了ds_utils.py中的关键函数，包括unique_boxes()、xywh_to_xyxy()、xyxy_to_xywh()、validate_boxes()和filter_small_boxes()。详细解释了这些函数如何处理边界框数据，如过滤重复框、转换坐标格式、验证框的有效性和筛选过小的框。特别关注了unique_boxes()中利用hash方法高效识别并过滤重复的大框。

分析

ds_utils.py 拥有的功能如下，输入的都是boxes：

unique_boxes（）过滤大的重复框
xywh_to_xyxy（）由xywh的格式转为xyxy格式
xyxy_to_xywh（）由xyxy的格式转为xywh格式
validate_boxes（）用于检测boxes是否超界
filter_small_boxes（）用于过滤尺寸小于min_size的小框

难点主要是unique_boxes（）的理解，其中数组v是让boxes合成一个非常大的数值，.astype(int)是精髓，他把合成的大数值转为一个int数值范围的数字，转换后的数值对于非常相近的大框是相等的。同理对小框因为不好超界，故没用：

主要代码：

# --------------------------------------------------------
# Fast/er R-CNN
# Licensed under The MIT License [see LICENSE for details]
# Written by Ross Girshick
# --------------------------------------------------------

import numpy as np

#unique_boxes函数，可以通过不同尺度因子的缩放，
# 从一系列的框中获取不重复框的数组指标，用于过滤重复框
#具体实现采用了hash的方法
def unique_boxes(boxes, scale=1.0):
    """Return indices of unique boxes."""
    v = np.array([1, 1e3, 1e6, 1e9])
    #box的4个坐标，与上面的v进行外积后转换为一个数，再进行判断。
    hashes = np.round(boxes * scale).dot(v).astype(int)
    _, index = np.unique(hashes, return_index=True)
    return np.sort(index)

#xywh_to_xyxy，xyxy_to_xywh函数分别是框的两种表达形式的相互转换，
# 前者采用一个顶点坐标和长宽表示矩形，后者采用两个顶点坐标表示矩形，各有用途。
def xywh_to_xyxy(boxes):
    """Convert [x y w h] box format to [x1 y1 x2 y2] format."""
    return np.hstack((boxes[:, 0:2], boxes[:, 0:2] + boxes[:, 2:4] - 1))

def xyxy_to_xywh(boxes):
    """Convert [x1 y1 x2 y2] box format to [x y w h] format."""
    return np.hstack((boxes[:, 0:2], boxes[:, 2:4] - boxes[:, 0:2] + 1))
#validata_boxes函数用于去除无效框，即超出边界或者左右，上下，不满足几何关系的点，
# 比如右边顶点的x坐标小于左边顶点。filer_small_boxes用于去掉过小的检测框。
def validate_boxes(boxes, width=0, height=0):
    """Check that a set of boxes are valid."""
    x1 = boxes[:, 0]
    y1 = boxes[:, 1]
    x2 = boxes[:, 2]
    y2 = boxes[:, 3]
    assert (x1 >= 0).all()
    assert (y1 >= 0).all()
    assert (x2 >= x1).all()
    assert (y2 >= y1).all()
    assert (x2 < width).all()
    assert (y2 < height).all()
#过滤尺寸小于min_size的框
def filter_small_boxes(boxes, min_size):
    w = boxes[:, 2] - boxes[:, 0]
    h = boxes[:, 3] - boxes[:, 1]
    keep = np.where((w >= min_size) & (h > min_size))[0]
    return keep