IoU(交并比)概念讲解

Kliocp

已于 2025-03-28 14:32:47 修改

阅读量689

点赞数 14

CC 4.0 BY-SA版权

文章标签： opencv 深度学习目标检测计算机视觉

于 2025-03-28 12:43:27 首次发布

本文链接：https://blog.csdn.net/NIDHOOG6/article/details/146590455

一、前言

"""

在进行基于yolov8的摔倒检测的时候发现，要是基于深度学习去检测摔倒的话有时候会将物体识别成摔倒，所以我加了一个yolov8自带的人体检测模型(yolov8n)。使用后发现人体检测加物体识别要是不加一个限定，还是无法准确检测摔倒，所以引用了IoU计算来验证跌倒检测

''''

二、定义与核心原理

IoU(Intersection over Union)是目标检测中用于衡量预测边界框与真实边界框重叠程度的指标，其定义为：

取值范围为[0,1]，值越大表示两者重叠度越高。

三、计算步骤

1、确定边界框坐标

预测框( $x_{1}$ , $y_{1}$ , $w_{1}$ , $h_{1}$ )与真实框( $x_{2}$ , $y_{2}$ , $w_{2}$ , $h_{2}$ )
(假设为矩形框，(x,y)为中心点坐标，w,h为宽高)

2、计算交集区域

交集左上角坐标：(max( $x_{1}-\frac{w_{1}}{2}$ , $x_{2}-\frac{w_{2}}{2}$ ),max( $y_{1}-\frac{h_{1}}{2}$ , $y_{2}-\frac{h_{2}}{2}$ ))

交集右下角坐标：(min( $x_{1}+\frac{w_{1}}{2}$ , $x_{2}+\frac{w_{2}}{2}$ ),min( $y_{1}+\frac{h_{1}}{2}$ , $y_{2}+\frac{h_{2}}{2}$ ))

3、计算并集区域

并集面积 = 预测框面积 + 真实框面积 − 交集面积

4、求比值

四、代码实现示例

def calculate_iou(boxA, boxB):
    # 输入格式: (x_center, y_center, width, height)
    # 转换为角点坐标
    boxA = [boxA[0]-boxA[2]/2, boxA[1]-boxA[3]/2, boxA[0]+boxA[2]/2, boxA[1]+boxA[3]/2]
    boxB = [boxB[0]-boxB[2]/2, boxB[1]-boxB[3]/2, boxB[0]+boxB[2]/2, boxB[1]+boxB[3]/2]

    # 计算交集区域
    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])
    
    inter_area = max(0, xB - xA) * max(0, yB - yA)
    
    # 计算并集
    boxA_area = (boxA[2]-boxA[0])*(boxA[3]-boxA[1])
    boxB_area = (boxB[2]-boxB[0])*(boxB[3]-boxB[1])
    union_area = boxA_area + boxB_area - inter_area
    
    return inter_area / union_area if union_area !=0 else 0

五、应用场景

场景	说明	特点
模型评估	检测结果与标注数据的匹配度评价	阈值通常设为0.5
损失函数	IoU Loss及其变种（如GIoU、DIoU）	直接优化定位精度
非极大值抑制(NMS)	筛选最优检测框	避免重复检测
旋转目标检测	使用旋转框IoU计算（Rotated IoU）	支持任意角度检测