目标检测系列之iou的计算（python实现）

1.IOU

      IOU(Intersection over Union)即交并比，是目标检测中衡量目标检测算法准确度的一个重要指标，顾名思义，即交集与并集的比值，那所谓的交集和并集分别指代什么呢？

目标检测是一个有监督学习的过程，它常常需要大量的有标签数据进行训练学习。目标检测实际要解决的问题有两个，一个是目标分类，还有一个就是目标定位，这里我把目标的位置信息也当作是一种标签，只不过这种标签是目标框的信息x,y,w,h，一般由人工标记。如上图所示，ground truth 所在的框就是一个目标真实label,而bounding box 就是目标检测算法预测的目标的label。如果两个框能完全重合，那么就说明目标检测算法预测结果完全正确，但通常这是不可能，目标框的预测实际是回归问题，回归问题的损失函数再怎么迭代更新，都不可能等于0。

      上图所示就是所谓的IOU，它是目标所在的真实框(ground truth) 与算法预测的目标所在的框(bounding box)的交集与并集的比值。这个IOU由什么用呢？有时我们听别人作报告时，会听到IOU阈值这类的说法，我们会用IOU阈值来判定预测的bounding box是否有效。一般阈值会设定在0.5，当IOU的值大于等于0.5时，我们会把这个预测的bounding box 归为正类，而小于0.5的归为负类。再将正类的bounding box拿去回归训练。

2.IOU的类型有以下几种

3python实现

    如上图示，ground truth的坐标为（x0,y0,w0,h0)，bounding box的坐标分别为（x1,y1,w1,h1)，则交集和并集的大小为

[code]W = w0+w1-(max((x0+w0),(x1+w1))-min(x0,x1))
H = h0+h1-(max((y0+h0),(h1+h1))-min(y0,y1))
Intersection = W*H
Union = w0*h0 + w1*h1 -Intersection

[code]def compute_iou(gt_box,b_box):
'''
计算iou
:param gt_box: ground truth gt_box = [x0,y0,x1,y1]（x0,y0)为左上角的坐标（x1,y1）为右下角的坐标
:param b_box: bounding box b_box 表示形式同上
:return:
'''
width0=gt_box[2]-gt_box[0]
height0 = gt_box[3] - gt_box[1]
width1 = b_box[2] - b_box[0]
height1 = b_box[3] - b_box[1]
max_x =max(gt_box[2],b_box[2])
min_x = min(gt_box[0],b_box[0])
width = width0 + width1 -(max_x-min_x)
max_y = max(gt_box[3],b_box[3])
min_y = min(gt_box[1],b_box[1])
height = height0 + height1 - (max_y - min_y)

interArea = width * height
boxAArea = width0 * height0
boxBArea = width1 * height1
iou = interArea / (boxAArea + boxBArea - interArea)
return iou