摘要：目的作为目标检测的后置处理算法，非极大值抑制（NMS）算法被用于移除多余的检测框。然而，NMS算法在每轮迭代中抑制所有与预选取检测框Intersection-over-Union （ IoU ）值大于给定阈值的检测框，容易造成目标的漏检和误检。此外，阂值的选取对整个算法的效果有着至关重要的影响。针对这个问题，本文提出了改进的NMS算法，分别为分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法。在连续比例惩罚因子NMS算法中，阈值对算法的运行效果仅有轻微的影响。方法改进的NMS算法首先根据检测框与预选取检测框的IoU值大小计算出检测框对应的比例惩罚因子；然后将检测框置信度分数乘以比例惩罚因子，通过比例惩罚因子逐轮降低检测框的分数；最后经过多轮迭代后移除分数低于阈值的检测框。结果基于分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法的FasterRCNN目标检测模型在PASCALVOC2007数据集下，FasterRCNN的检测平均精度均值（mAP）相较于传统的NMS算法分别提高了1．5％和1．6％。其中，以火车类为例，当准确率和召回率均为80％时，火车类检测的漏检率和误检率分别降低了1．8％和1．2％。与传统的NMS算法相比，本文所提出改进的NMS算法可以有效地保留目标检测框和移除目标的假正例检测框，从而降低NMS算法的漏检率和误检率。结论在时间复杂度相同和运行效率一致的情况下，与传统的NMS算法相比，本文所提出的改进NMS算法mAP值得到了显著的提升，同时本文算法为其他目标检测模型提供了一个通用的解决方法。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社