JanKin_BY

vins Freatrack遮罩c++ 实现

1.准备工作先对相机进行内参标定

%YAML:1.0
---
model_type: KANNALA_BRANDT
camera_name: camera
scaling_ratio: 1
image_width: 640
image_height: 480
projection_parameters:
   k2: -0.02059949
   k3: -0.00272535
   k4: -0.00411149
   k5: 0.00134326
   mu: 338.79350848
   mv: 338.75216467
   u0: 334.20126771
   v0: 234.73275102

2.添加遮罩

3.下载相机模型文件https://github.com/hengli/camodocal

camera_models

函数

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
using namespace std;
#include "./include/tic_toc.h"
#include "./camera_models/include/camodocal/camera_models/CameraFactory.h"
#include "./camera_models/include/camodocal/camera_models/CataCamera.h"
#include "./camera_models/include/camodocal/camera_models/PinholeCamera.h"
typedef Eigen::Matrix Feature_t; // <图像id xyz_uv_vel>
typedef map>> FeatureFrame_t; // <特征点ID <图像id xyz_uv_vel>>
typedef pair FeatureFrameStamped; // <时间 <特征点ID <图像id xyz_uv_vel>>>
#define MASK_WIDTH 4.0
#define MASK_RANGE 3.0
using namespace std;
using namespace cv;
using namespace camodocal;
using namespace Eigen;
const double FOCAL_LENGTH = 460;
vector m_camera;
vector prev_pts, cur_pts, cur_right_pts;
vector unstable_pts;
vector track_cnt;
cv::Mat prev_img, cur_img;
bool hasPrediction;
vector predict_pts;
vector predict_pts_debug;
bool USE_REJECT_F;
cv::Mat mask, ground_mask;
int FLOW_BACK;
int CONSIDER_UNSTABLE_PTS;
int row, col;
std::vector CAM_NAMES;
vector reject_pts;
double F_THRESHOLD;
//带un的pt是在归一化平面去畸变后的特征点坐标
vector prev_un_pts, cur_un_pts, cur_un_right_pts;
int FISHEYE_MASK;
bool GROUND_MASK;
cv::Mat fisheye_mask;
std::string FISHEYE_MASK_PATH;
std::string PROJECT_DIR="/media/jankin/5622A53322A518CF/linux/0805/FeatureTracker";
//PROJECT_DIR = ros::package::getPath("vins") + "/";
int MIN_DIST;
bool walk_forward = false;
int MAX_CNT;
std::vector key_points;
int n_id;
int fast_it = 0;
double cur_time;
double prev_time;
bool stereo_cam=false;//单目
cv::Mat imTrack, featureMatchImg;
map cur_un_pts_map, prev_un_pts_map;
map prevLeftPtsMap;
vector pts_velocity, right_pts_velocity;
vector ids, ids_right;
map cur_un_right_pts_map, prev_un_right_pts_map;
int FAST_THRE;
TicToc frontend_process_time("frontend_process_time", 2);
TicToc optical_flow_time("optical_flow_time",2);
TicToc sorted_time("sorted_time",2);
TicToc reverse_flow_time("reverse_flow_time",2);
TicToc feature_tracking_time("feature_tracking_time", 2);
TicToc key_points_selection_time("key_points_selection_time",2);
TicToc reject_with_F_time("reject_with_F_time",2);
TicToc fast_corner_detection_time("fast_corner_detection_time",2);
TicToc feature_extracting_time("feature_extracting_time", 2);

template 
T readYaml(cv::FileStorage &fsSettings, std::string name, T defaultValue)
{
    T ans;
    if(fsSettings[name].empty()){
        ans = defaultValue;
        std::cout << "Read " << name << "yet use default value: " << defaultValue<> ans;
        std::cout << "Read " << name << ": " << ans<spaceToPlane(pt1, tmp_uv);//畸变模型的坐标通过相机内参投影到像素坐标系中,其中为相机在的焦距,为主点的坐标(像素坐标系原点相对于归一化平面原点的偏移)
    root_points[0][0] = cv::Point2f(tmp_uv.x(), tmp_uv.y());
    m_camera[0]->spaceToPlane(pt2, tmp_uv);
    root_points[0][1] = cv::Point2f(tmp_uv.x(), tmp_uv.y());
    m_camera[0]->spaceToPlane(pt3, tmp_uv);
    root_points[0][2] = cv::Point2f(tmp_uv.x(), tmp_uv.y());
    m_camera[0]->spaceToPlane(pt4, tmp_uv);
    root_points[0][3] = cv::Point2f(tmp_uv.x(), tmp_uv.y());
    ground_mask = cv::Mat(row, col, CV_8UC1, cv::Scalar(255));
    const cv::Point* ppt[1] = { root_points[0] };
    int npt[] = { 4 };
    cv::fillPoly(ground_mask, ppt, npt, 1, cv::Scalar(0, 0, 0));
}

// 把追踪到的点进行标记
// 设置遮挡部分（鱼眼相机）
// 对检测到的特征点按追踪到的次数排序
// 在mask图像中将追踪到点的地方设置为0，否则为255，目的是为了下面做特征点检测的时候可以选择没有特征点的区域进行检测。
// 在同一区域内，追踪到次数最多的点会被保留，其他的点会被删除
void setMask()
{
    mask = cv::Mat(row, col, CV_8UC1, cv::Scalar(255));

    // prefer to keep features that are tracked for long time
    vector>> cnt_pts_id;

    for (unsigned int i = 0; i < cur_pts.size(); i++)
        cnt_pts_id.push_back(make_pair(track_cnt[i], make_pair(cur_pts[i], ids[i])));

    sort(cnt_pts_id.begin(), cnt_pts_id.end(), [](const pair> &a, const pair> &b)
        {
            return a.first > b.first;
        });

    if(FISHEYE_MASK){
//        fisheye_mask_time.tic();
        cv::bitwise_and(fisheye_mask, mask, mask);
//        fisheye_mask_time.toc_with_others();
//        fisheye_mask_time.print_curr();
    }

    cur_pts.clear();
    ids.clear();
    track_cnt.clear();

    for (auto &it : cnt_pts_id)
    {
        //说明追踪次数多的会先占用mask，
        if (mask.at(it.second.first) == 255)
        {
            cur_pts.push_back(it.second.first);
            ids.push_back(it.second.second);
            track_cnt.push_back(it.first);
            cv::circle(mask, it.second.first, MIN_DIST, 0, -1);
        }
    }

//    remove ground features after mask
    if(GROUND_MASK){
        cv::bitwise_and(ground_mask, mask, mask);
    }

    if (CONSIDER_UNSTABLE_PTS){
        for (auto &bad_pt: unstable_pts){
            cv::circle(mask, bad_pt, MIN_DIST, 0, -1);
        }
    }

    cv::imshow("mask", mask);
    cv::waitKey(1);

}
/*
通过图像边界剔除outlier
*/
bool inBorder(const cv::Point2f &pt)
{
    const int BORDER_SIZE = 1;
    int img_x = cvRound(pt.x);//cvRound()：返回跟参数最接近的整数值，即四舍五入；
    int img_y = cvRound(pt.y);
    return BORDER_SIZE <= img_x && img_x < col - BORDER_SIZE && BORDER_SIZE <= img_y && img_y < row - BORDER_SIZE;
    //大于BORDER_SIZE，小于col-BORDER_SIZE
}
//计算两点距离
double distance(cv::Point2f pt1, cv::Point2f pt2)
{
    //printf("pt1: %f %f pt2: %f %f\n", pt1.x, pt1.y, pt2.x, pt2.y);
    double dx = pt1.x - pt2.x;
    double dy = pt1.y - pt2.y;
    return sqrt(dx * dx + dy * dy);
}
/*
根据状态位，进行“瘦身”
作用：
原有关键点：p0,p1,p2,p3,p4
原有状态位：0, 1, 1, 0, 1
处理后：
关键点：p1, p2, p4
采用双指针算法
*/
void reduceVector(vector &v, vector status, vector &removed_pts)
{
    int j = 0;
    for (int i = 0; i < int(v.size()); i++){
        if (status[i])
            v[j++] = v[i];
        else
            removed_pts.push_back(v[i]);
    }
    v.resize(j);
}
//如果状态为1则放入v中，若状态为0,放入remove_pts中，同时重新v的大小
void reduceVector(vector &v, vector status)
{
    int j = 0;
    for (int i = 0; i < int(v.size()); i++)
        if (status[i])
            v[j++] = v[i];
    v.resize(j);
}
//如果状态为1则放入v中
void reduceVector(vector &v, vector status)
{
    int j = 0;
    for (int i = 0; i < int(v.size()); i++)
        if (status[i])
            v[j++] = v[i];
    v.resize(j);
}
//如果状态为1则放入v中，v为int型

/*
采用RANSAC的方式去除误匹配的点
m_camera中包含相机内参，首先利用liftProjective函数对于上一帧和当前帧的匹配点进行去畸变操作，将像素坐标转化为无畸变的归一化坐标
然后利用OpenCV自带函数findFundamentalMat函数进行RANSAC标记outliers
再利用reduceVector利用双指针法去除outliers 
*/
void rejectWithF()
{

    if (cur_pts.size() >= 8)
    {
        reject_with_F_time.tic();
        TicToc t_f;
        vector un_cur_pts(cur_pts.size()), un_prev_pts(prev_pts.size());
        for (unsigned int i = 0; i < cur_pts.size(); i++)
        {
            Eigen::Vector3d tmp_p;
            m_camera[0]->liftProjective(Eigen::Vector2d(cur_pts[i].x, cur_pts[i].y), tmp_p);//当前帧提取点，tmp_p为去畸变后的相机坐标
            tmp_p.x() = FOCAL_LENGTH * tmp_p.x() / tmp_p.z() + col / 2.0;
            tmp_p.y() = FOCAL_LENGTH * tmp_p.y() / tmp_p.z() + row / 2.0;
            un_cur_pts[i] = cv::Point2f(tmp_p.x(), tmp_p.y());

            m_camera[0]->liftProjective(Eigen::Vector2d(prev_pts[i].x, prev_pts[i].y), tmp_p);//前一帧提取点，无畸变归一话相机坐标
            tmp_p.x() = FOCAL_LENGTH * tmp_p.x() / tmp_p.z() + col / 2.0;
            tmp_p.y() = FOCAL_LENGTH * tmp_p.y() / tmp_p.z() + row / 2.0;
            un_prev_pts[i] = cv::Point2f(tmp_p.x(), tmp_p.y());
        }

        vector status;
        cv::findFundamentalMat(un_cur_pts, un_prev_pts, cv::FM_RANSAC, F_THRESHOLD, 0.99, status);//当前帧与前一帧匹配点

        vector reverse_status;
        cv::findFundamentalMat(un_prev_pts, un_cur_pts, cv::FM_RANSAC, F_THRESHOLD, 0.99, reverse_status);//前一帧与当前帧匹配点

        for(size_t i = 0; i < status.size(); i++)
        {
            if(status[i] && reverse_status[i])//两种检测方法都检查到的点记为匹配点
                status[i] = 1;
            else
                status[i] = 0;
        }

        int size_a = cur_pts.size();//当前帧提取的关键点数量
        
        reject_pts.clear();//存放误匹配点
        reduceVector(prev_pts, status);//前一帧提取去除误匹配点
        reduceVector(cur_pts, status, reject_pts);//当前帧匹配点，误检测点放入reject_pts中
        reduceVector(cur_un_pts, status);//去畸变当前帧，误匹配点去除
        reduceVector(ids, status);
        reduceVector(track_cnt, status);
        int size_b = cur_pts.size();//去除误检测点后，当前帧匹配点数量

        // cerr << "outliers: " << size_a - size_b << endl;
        // cerr << "reject_pts: " << reject_pts.size() << endl;
         /*cv::Mat test_img = cur_img.clone();
         cv::cvtColor(test_img, test_img, CV_GRAY2RGB);
         for(int i = 0;i < reject_pts.size(); i++)
             cv::circle(test_img, reject_pts[i], 2, cv::Scalar(0,  255, 0), 2);
         cv::imshow("reject", test_img);
         cv::waitKey(1);
        reject_with_F_time.toc_with_others();*/
    }

}
/*
是否对特征点进行预测

*/
void setPrediction(map &predictPts)
{
    hasPrediction = true;
    predict_pts.clear();
    predict_pts_debug.clear();
    map::iterator itPredict;
    for (size_t i = 0; i < ids.size(); i++)
    {
        //printf("prevLeftId size %d prevLeftPts size %d\n",(int)prevLeftIds.size(), (int)prevLeftPts.size());
        int id = ids[i];
        itPredict = predictPts.find(id);
        if (itPredict != predictPts.end())
        {
            Eigen::Vector2d tmp_uv;
//    itPredict->second为预测的相机坐标系下的坐标
//            LOG(INFO) << "itPredict: " << itPredict->second.x() << " " << itPredict->second.y() << " " << itPredict->second.z();
            m_camera[0]->spaceToPlane(itPredict->second, tmp_uv);
            predict_pts.push_back(cv::Point2f(tmp_uv.x(), tmp_uv.y()));
            predict_pts_debug.push_back(cv::Point2f(tmp_uv.x(), tmp_uv.y()));
        }
        else
            predict_pts.push_back(prev_pts[i]);
    }
}
/* 函数功能

1、图像均衡化预处理
2、光流追踪
3、提取新的特征点（如果发布）
4、所有特征点去畸变，计算速度*/
void trackFast()
{
    if (prev_pts.size() > 0)//前一帧特征点大于0
    {
        vector status;
        TicToc t_o;
        vector err;
        /*void cv::calcOpticalFlowPyrLK	(	
        InputArray 	prevImg,                                                                          ||  buildOpticalFlowPyramid构造的第一个8位输入图像或金字塔。
        InputArray 	nextImg,                                                                          ||  与prevImg相同大小和相同类型的第二个输入图像或金字塔
        InputArray 	prevPts,                                                                          ||  需要找到流的2D点的矢量(vector of 2D points for which the flow needs to be found;);点坐标必须是单精度浮点数。
        InputOutputArray 	nextPts,                                                               ||  输出二维点的矢量（具有单精度浮点坐标），包含第二图像中输入特征的计算新位置;当传递OPTFLOW_USE_INITIAL_FLOW标志时，向量必须与输入中的大小相同。
        OutputArray 	status,                                                                       ||  输出状态向量（无符号字符）;如果找到相应特征的流，则向量的每个元素设置为1，否则设置为0。
        OutputArray 	err,                                                                          ||  输出错误的矢量; 向量的每个元素都设置为相应特征的错误，错误度量的类型可以在flags参数中设置; 如果未找到流，则未定义错误（使用status参数查找此类情况）。
        Size 	winSize = Size(21, 21),                                                               ||  每个金字塔等级的搜索窗口的winSize大小。
        int 	maxLevel = 3,                                                                         ||  基于0的最大金字塔等级数;如果设置为0，则不使用金字塔（单级），如果设置为1，则使用两个级别，依此类推;如果将金字塔传递给输入，那么算法将使用与金字塔一样多的级别，但不超过maxLevel。
        TermCriteria 	criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01),     ||  参数，指定迭代搜索算法的终止条件（在指定的最大迭代次数criteria.maxCount之后或当搜索窗口移动小于criteria.epsilon时）。
        int 	flags = 0,
        double 	minEigThreshold = 1e-4 
        )	
        */
        optical_flow_time.tic();
        cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 3);//根据前后帧图像，及前一帧关键点，检测当前帧是否存在该点，结果存在status中
        optical_flow_time.toc_with_others();
        
        /*cv::Mat cur_img_p = cur_img.clone();
         cv::cvtColor(cur_img_p, cur_img_p, CV_GRAY2RGB);
         for(int i = 0;i < cur_pts.size(); i++)
             cv::circle(cur_img_p, cur_pts[i], 2, cv::Scalar(0,  255, 0), 2);
         cv::imshow("calLK", cur_img_p);
         cv::waitKey(1);*/

        std::cout<<"光流的关键帧个数"< reverse_status;
            vector reverse_pts = prev_pts;
            reverse_flow_time.tic();
            cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 1,
                                     cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);
            reverse_flow_time.toc_with_others();
            //cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 3);
            for(size_t i = 0; i < status.size(); i++)
            {
                //如果前后都能找到，并且找到的点的距离小于0.5
                if(status[i] && reverse_status[i] && distance(prev_pts[i], reverse_pts[i]) <= 0.5)
                    status[i] = 1;
                else
                    status[i] = 0;
            }
        }
       
        for (int i = 0; i < int(cur_pts.size()); i++){
            if (!status[i] && inBorder(cur_pts[i])){
                if (CONSIDER_UNSTABLE_PTS){
                    unstable_pts.push_back(cur_pts[i]);  // 如果这个点不在图像内，则剔除
                    status[i] = 0;
                }
            }
            else if (status[i] && !inBorder(cur_pts[i])){
              
                status[i] = 1;
            }
        }

        reduceVector(prev_pts, status);
        reduceVector(cur_pts, status);
        reduceVector(ids, status);
        reduceVector(track_cnt, status);
        std::cout<<"反向光流删除后的关键帧个数"<(cur_pts.size());//特征点
    std::cout << "tracking features num: " << cur_pts.size()< 0) {
        fast_corner_detection_time.tic();
        cv::Ptr fast_detector = cv::FastFeatureDetector::create(FAST_THRE, true);      //NMS: true
        fast_detector->detect(cur_img,key_points, mask);//fast特征点检测 基于加速分割测试的特征
        fast_corner_detection_time.toc_with_others();
        sorted_time.tic();
        // 因为n_max_cnt大于0，所以才能强制转换
        /*class KeyPoint
        {
        Point2f  pt;  //特征点坐标
        float  size; //特征点邻域直径
        float  angle; //特征点的方向，值为0~360，负值表示不使用
        float  response; //特征点的响应强度，代表了该点是特征点的程度，可以用于后续处理中特征点排序
        int  octave; //特征点所在的图像金字塔的组
        int  class_id; //用于聚类的id
        }*/
        if (key_points.size() > (unsigned int)n_max_cnt) //关键点数大于采样点数
        {
            sort(key_points.begin(), key_points.end(), [](cv::KeyPoint &a, cv::KeyPoint &b){return a.response > b.response;});
            //排序，开始值，结束值，返回条件函数，谁的response大谁在前,response为fast处理后的响应程度
            //vector、deque，适用sort算法
            //关系型容器拥有自动排序功能，因为底层采用RB-Tree，所以不需要用到sort算法。
            //其次，序列式容器中的stack、queue和priority-queue都有特定的出入口，不允许用户对元素排序
        }
        sorted_time.toc_with_others();
    }
    else{
        key_points.clear();
    }
    std::cout << "fast detect num: " << key_points.size()< > grid(grid_width*grid_height);
    int minDistance = MIN_DIST * MIN_DIST;//网格大小30*30

    key_points_selection_time.tic();

    for (auto &p : key_points)
    {
        cv::Point2f c = p.pt;//pt特征点坐标
        bool good = true;

        int x_cell = c.x / cell_size;//按30分割
        int y_cell = c.y / cell_size;//分割30

        int x1 = x_cell - 1;
        int y1 = y_cell - 1;
        int x2 = x_cell + 1;//把点作为一个网格网格大小为2×2，x1,y1为左下角点，x2,y2为右上角点
        int y2 = y_cell + 1;

        // boundary check
        x1 = std::max(0, x1);//边界点检测，判断是否大于0
        y1 = std::max(0, y1);//边界点检测，判断y是否大于0
        x2 = std::min(grid_width - 1, x2);//判断右侧点是否大于边界，右侧取最小值
        y2 = std::min(grid_height - 1, y2);//判断右侧点是否大于边界值，取最小

        for( int yy = y1; yy <= y2; yy++ )//y1->y2
            for( int xx = x1; xx <= x2; xx++ )
            {
                //如果某元素对应的原图像角点容器中有已经保存的强角点，则需要进行距离判断。否则指定原图像中该角点就是强角点
                std::vector &m = grid[yy * grid_width + xx];
                //遍历其对应容器内的其他强角点，并依次判断原图像中当前角点与其邻域内其他强角点之间的欧式距离，如果欧式距离小于minDistance，则将当前角点标志置为good=false（抛弃）,并跳出
                if( m.size() )
                {
                    for(int j = 0; j < m.size(); j++)
                    {
                        float dx = c.x - m[j].x;
                        float dy = c.y - m[j].y;

                        if( dx*dx + dy*dy < minDistance )
                        {
                            good = false;
                            goto break_out;
                        }
                    }
                }
            }

        break_out:
        //如果角点为good，则将该角点保存在当前grid中一个元素对应的容器中，同时保存在输出容器corners中，并累加计数器ncorners。由于已经进行过降序排序，前面保存的都是强角点。
        if (good)
        {
            grid[y_cell*grid_width + x_cell].push_back(cv::Point2f((float)c.x, (float)c.y));
            cur_pts.push_back(p.pt);
            ids.push_back(n_id++);
            track_cnt.push_back(1);

        }

        fast_it++;
        if (fast_it == n_max_cnt) {
            break;
        }
    }
    std::cout<<"TrackFast add 后的关键帧个数"< undistortedPts(vector &pts, camodocal::CameraPtr cam)
{
    vector un_pts;
    for (unsigned int i = 0; i < pts.size(); i++)
    {
        Eigen::Vector2d a(pts[i].x, pts[i].y);
        Eigen::Vector3d b;
        cam->liftProjective(a, b);
        un_pts.push_back(cv::Point2f(b.x() / b.z(), b.y() / b.z()));
    }
    return un_pts;
}

// 其为当前帧相对于前一帧 特征点沿x,y方向的像素移动速度
vector ptsVelocity(vector &ids, vector &pts,
                                                map &cur_id_pts, map &prev_id_pts)
{
    vector pts_velocity;
    cur_id_pts.clear();
    for (unsigned int i = 0; i < ids.size(); i++)
    {
        cur_id_pts.insert(make_pair(ids[i], pts[i]));
    }

    // caculate points velocity
    if (!prev_id_pts.empty())
    {
        double dt = cur_time - prev_time;

        for (unsigned int i = 0; i < pts.size(); i++)
        {
            std::map::iterator it;
            it = prev_id_pts.find(ids[i]);
            if (it != prev_id_pts.end())
            {
                double v_x = (pts[i].x - it->second.x) / dt;
                double v_y = (pts[i].y - it->second.y) / dt;
                pts_velocity.push_back(cv::Point2f(v_x, v_y));
            }
            else
                pts_velocity.push_back(cv::Point2f(0, 0));

        }
    }
    else
    {
        for (unsigned int i = 0; i < cur_pts.size(); i++)
        {
            pts_velocity.push_back(cv::Point2f(0, 0));
        }
    }
    return pts_velocity;
}

//显示跟踪的路标点
void drawTrack(const cv::Mat &imLeft, const cv::Mat &imRight,
                               vector &curLeftIds,
                               vector &curLeftPts,
                               vector &curRightPts,
                               map &prevLeftPtsMap)
{
    int cols = imLeft.cols;
    imTrack = imLeft.clone();//单目将图像复制
    cv::cvtColor(imTrack, imTrack, CV_GRAY2RGB);

    for (size_t j = 0; j < curLeftPts.size(); j++)
    {
        double len = std::min(1.0, 1.0 * track_cnt[j] / 20);
        cv::circle(imTrack, curLeftPts[j], 2, cv::Scalar(255 * (1 - len), 0, 255 * len), 2);//颜色为bgr顺序

        if(track_cnt[j] == 1){

            //blue 
            cv::circle(imTrack, curLeftPts[j], 2, cv::Scalar(255, 255, 0), 2);
        }

        if(track_cnt[j] <= 3 && track_cnt[j] >= 2){
            //purple
            // cv::circle(imTrack, curLeftPts[j], 2, cv::Scalar(255, 0, 255), 2);
        }
    }

    for (size_t j = 0; j < reject_pts.size(); j++)
    {
        //yellow
        cv::circle(imTrack, reject_pts[j], 2, cv::Scalar(0,  255, 255), 2);
    }
    map::iterator mapIt;
    for (size_t i = 0; i < curLeftIds.size(); i++)
    {
        int id = curLeftIds[i];
        mapIt = prevLeftPtsMap.find(id);
        if(mapIt != prevLeftPtsMap.end())
        {
            cv::arrowedLine(imTrack, curLeftPts[i], mapIt->second, cv::Scalar(0, 255, 0), 1, 8, 0, 0.2);
        }
    }

}
void draw_matching_points(const cv::Mat &prevImg, const cv::Mat &curImg,
                                          vector &curIds, vector &curPts,
                                          map &prev_id_pts) {
    //int rows = imLeft.rows;
    int cols = prevImg.cols;
    if (curImg.empty() || prevImg.empty()){
       // ROS_ERROR("Image Empty");
    }

    if (curIds.empty() || curPts.empty()){
        //ROS_ERROR("curIds or curPts Empty");
    }

    cv::hconcat(prevImg, curImg, featureMatchImg);   //图像合并在一张图像中
    cv::cvtColor(featureMatchImg, featureMatchImg, CV_GRAY2RGB);

    for (unsigned int i = 0; i < curPts.size(); i++)
    {
        std::map::iterator it;
        it = prev_id_pts.find(curIds[i]);
        if (it != prev_id_pts.end())
        {
            cv::Point2f prevPt, curPt;
            prevPt.x = it->second.x;
            prevPt.y = it->second.y;
            curPt.x = curPts[i].x + cols;
            curPt.y = curPts[i].y;
            double len = std::min(1.0, 1.0 * track_cnt[i] / 20);
            cv::circle(featureMatchImg, prevPt, 2, cv::Scalar(255 * (1 - len), 0, 255 * len), 2);
            cv::circle(featureMatchImg, curPt, 2, cv::Scalar(255 * (1 - len), 0, 255 * len), 2);
            cv::arrowedLine(featureMatchImg, prevPt, curPt, cv::Scalar(0, 255, 0), 2, 8, 0,0.01);
        }
    }


}

FeatureFrame_t trackImage(double _cur_time, const cv::Mat &_img)//_img左 
{
    TicToc t_r;
    cur_time = _cur_time;
    cur_img = _img;
    row = cur_img.rows;
    col = cur_img.cols;
    cur_pts.clear();
    unstable_pts.clear();
    frontend_process_time.tic();
    feature_tracking_time.tic();
    trackFast();
    cur_un_pts = undistortedPts(cur_pts, m_camera[0]);
    pts_velocity = ptsVelocity(ids, cur_un_pts, cur_un_pts_map, prev_un_pts_map);

    // 绘制单目显示的图像
    drawTrack(cur_img, cv::Mat(), ids, cur_pts, cur_right_pts, prevLeftPtsMap);
    prev_img = cur_img;
    prev_pts = cur_pts;
    prev_un_pts = cur_un_pts;
    prev_un_pts_map = cur_un_pts_map;
    prev_time = cur_time;
    hasPrediction = false;
    if(!prevLeftPtsMap.empty()){
        draw_matching_points(prev_img, cur_img, ids, cur_pts, prevLeftPtsMap);
    }
    else
    {
        std::cout<<"prevLeftPtsMap is empty"< files;     //存放文件路径
    vector images;       //存放文件数据
    Mat after_fast_image,img,gray;
    std::vector keypoints;
    //读取文件夹下所有符合要求的文件路径
   
    std::string CONFIG_FILE="/media/jankin/5622A53322A518CF/linux/0805/FeatureTracker/config/bsd_0621";
    std::string config_all=CONFIG_FILE+"/bsd_0621.yaml";
    cv::FileStorage fsSettings(config_all, cv::FileStorage::READ);
    std::string cam0Calib;
    fsSettings["cam0_calib"] >> cam0Calib;
    std::string cam0Path = CONFIG_FILE + "/" + cam0Calib;
    CAM_NAMES.push_back(cam0Path);
    camodocal::CameraPtr camera = CameraFactory::instance()->generateCameraFromYamlFile(CAM_NAMES[0]);
    m_camera.push_back(camera);
    FAST_THRE=readYaml(fsSettings, "fast_thre", 30);
     cv::Ptr fast_detector = cv::FastFeatureDetector::create(FAST_THRE, true);      //NMS: true
    row = fsSettings["image_height"];
    col = fsSettings["image_width"];
    FLOW_BACK = readYaml(fsSettings, "flow_back", 1);
    CONSIDER_UNSTABLE_PTS = readYaml(fsSettings, "consider_unstable_pts", 1);
    USE_REJECT_F = readYaml(fsSettings, "use_reject_f", false);
    double IMAGE_SCALING_RATIO = readYaml(fsSettings, "image_scaling_ratio", 1.0);
    F_THRESHOLD = readYaml(fsSettings, "F_threshold", 1.0);
    FISHEYE_MASK = readYaml(fsSettings, "fisheye_mask", 0);
    FISHEYE_MASK_PATH = PROJECT_DIR + "/config/mask/fisheye_mask_752_480.jpg";
    GROUND_MASK = readYaml(fsSettings, "ground_mask", 0.0);
    if(GROUND_MASK)
        set_ground_mask();
    if(FISHEYE_MASK){
        fisheye_mask = cv::imread(FISHEYE_MASK_PATH);
        cv::cvtColor(fisheye_mask, fisheye_mask, CV_BGR2GRAY);
        cv::resize(fisheye_mask, fisheye_mask, cv::Size(0, 0), IMAGE_SCALING_RATIO, IMAGE_SCALING_RATIO, cv::INTER_AREA);
    }
    MIN_DIST = readYaml(fsSettings, "min_dist", 30);
    MIN_DIST = static_cast(MIN_DIST * IMAGE_SCALING_RATIO);
    MAX_CNT = readYaml(fsSettings, "max_cnt", 150);



    row = static_cast(row * IMAGE_SCALING_RATIO);
    col = static_cast(col * IMAGE_SCALING_RATIO);

    mask = cv::Mat(row, col, CV_8UC1, cv::Scalar(255));
    std::cout<<"row:"<2)
     //  video_image_camera=atoi(argv[1]);
    //else{
    std::cout<<"please inout:0-video;1-image;2-camera"<>video_image_camera;
    //}
    if(video_image_camera==0)
    {
        VideoCapture capture;
        capture.open("/media/jankin/5622A53322A518CF/linux/0805/video_record/a.avi");
        if (!capture.isOpened()) cout << "video not open.." << endl;
            capture.read(img); // 先取出第一帧图像
        while (capture.read(img)) {
            cvtColor(img, img, COLOR_BGR2GRAY);
            //imshow("src", gray);
            if (img.empty())
            {
                std::cout<<"No Data ************"< time_used = chrono::duration_cast>( t2-t1 );
            input_t=time_used.count();
            std::cout<<"time delt ="< time_used = chrono::duration_cast>( t2-t1 );
            img = imread(files[i], IMREAD_GRAYSCALE);     //读取灰度图像
            
            if (img.empty())
            {
                cerr << files[i] << " can't be loaded!" << endl;
                continue;
            }
            input_t=time_used.count();
            std::cout<<"time delt ="< time_used = chrono::duration_cast>( t2-t1 );
            input_t=time_used.count();
            std::cout<<"time delt ="<

android系统selinux中添加新属性property 辉色投像
1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
c++ 的iostream 和 c++的stdio的区别和联系黄卷青灯77 c++算法开发语言 iostream stdio
在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
Linux下QT开发的动态库界面弹出操作（SDL2） 13jjyao QT类 qt 开发语言 sdl2 linux
需求：操作系统为linux，开发框架为qt，做成需带界面的qt动态库，调用方为java等非qt程序难点：调用方为java等非qt程序，也就是说调用方肯定不带QApplication::exec()，缺少了这个，QTimer等事件和QT创建的窗口将不能弹出(包括opencv也是不能弹出)；这与qt调用本身qt库是有本质的区别的思路：1.调用方缺QApplication::exec()，那么我们在接口
linux sdl windows.h,Windows下的SDL安装奔跑吧linux内核 linux sdl windows.h
首先你要下载并安装SDL开发包。如果装在C盘下，路径为C:\SDL1.2.5如果在WINDOWS下。你可以按以下步骤：1.打开VC++，点击"Tools",Options2,点击directories选项3.选择"Includefiles"增加一个新的路径。"C:\SDL1.2.5\include"4，现在选择"Libaryfiles“增加"C:\SDL1.2.5\lib"现在你可以开始编写你的第
linux中sdl的使用教程,sdl使用入门 Melissa Corvinus linux中sdl的使用教程
本文通过一个简单示例讲解SDL的基本使用流程。示例中展示一个窗口，窗口里面有个随机颜色快随机移动。当我们鼠标点击关闭按钮时间窗口关闭。基本步骤如下：1.初始化SDL并创建一个窗口。SDL_Init()初始化SDL_CreateWindow()创建窗口2.纹理渲染存储RGB和存储纹理的区别：比如一个从左到右由红色渐变到蓝色的矩形，用存储RGB的话就需要把矩形中每个点的具体颜色值存储下来；而纹理只是一
PHP环境搭建详细教程好看资源平台前端 php
PHP是一个流行的服务器端脚本语言，广泛用于Web开发。为了使PHP能够在本地或服务器上运行，我们需要搭建一个合适的PHP环境。本教程将结合最新资料，介绍在不同操作系统上搭建PHP开发环境的多种方法，包括Windows、macOS和Linux系统的安装步骤，以及本地和Docker环境的配置。1.PHP环境搭建概述PHP环境的搭建主要分为以下几类：集成开发环境：例如XAMPP、WAMP、MAMP，这
使用 FinalShell 进行远程连接（ssh 远程连接 Linux 服务器）编程经验分享开发工具服务器 ssh linux
目录前言基本使用教程新建远程连接连接主机自定义命令路由追踪前言后端开发，必然需要和服务器打交道，部署应用，排查问题，查看运行日志等等。一般服务器都是集中部署在机房中，也有一些直接是云服务器，总而言之，程序员不可能直接和服务器直接操作，一般都是通过ssh连接来登录服务器。刚接触远程连接时，使用的是XSHELL来远程连接服务器，连接上就能够操作远程服务器了，但是仅用XSHELL并没有上传下载文件的功能
【JS】执行时长(100分) |思路参考+代码解析（C++） l939035548 JS 算法数据结构 c++
题目为了充分发挥GPU算力，需要尽可能多的将任务交给GPU执行，现在有一个任务数组，数组元素表示在这1秒内新增的任务个数且每秒都有新增任务。假设GPU最多一次执行n个任务，一次执行耗时1秒，在保证GPU不空闲情况下，最少需要多长时间执行完成。题目输入第一个参数为GPU一次最多执行的任务个数，取值范围[1,10000]第二个参数为任务数组长度，取值范围[1,10000]第三个参数为任务数组，数字范围
libyuv之linux编译 jaronho Linux linux 运维服务器
文章目录一、下载源码二、编译源码三、注意事项1、银河麒麟系统（aarch64）（1）解决armv8-a+dotprod+i8mm指令集支持问题（2）解决armv9-a+sve2指令集支持问题一、下载源码到GitHub网站下载https://github.com/lemenkov/libyuv源码，或者用直接用git克隆到本地，如：gitclonehttps://github.com/lemenko
ARM驱动学习之5 LEDS驱动 JT灬新一嵌入式 C 底层 arm开发学习单片机
ARM驱动学习之5LEDS驱动知识点：•linuxGPIO申请函数和赋值函数–gpio_request–gpio_set_value•三星平台配置GPIO函数–s3c_gpio_cfgpin•GPIO配置输出模式的宏变量–S3C_GPIO_OUTPUT注意点：DRIVER_NAME和DEVICE_NAME匹配。实现步骤：1.加入需要的头文件：//Linux平台的gpio头文件#include//三
基于CODESYS的多轴运动控制程序框架：逻辑与运动控制分离，快速开发灵活操作 GPJnCrbBdl python 开发语言
基于codesys开发的多轴运动控制程序框架，将逻辑与运动控制分离，将单轴控制封装成功能块，对该功能块的操作包含了所有的单轴控制（归零、点动、相对定位、绝对定位、设置当前位置、伺服模式切换等等）。程序框架由主程序按照状态调用分归零模式、手动模式、自动模式、故障模式，程序状态的跳转都已完成，只需要根据不同的工艺要求完成所需的动作即可。变量的声明、地址的规划都严格按照C++的标准定义，能帮助开发者快速
C++ | Leetcode C++题解之第409题最长回文串 Ddddddd_158 经验分享 C++Leetcode 题解
题目：题解：classSolution{public:intlongestPalindrome(strings){unordered_mapcount;intans=0;for(charc:s)++count[c];for(autop:count){intv=p.second;ans+=v/2*2;if(v%2==1andans%2==0)++ans;}returnans;}};
C++菜鸟教程 - 从入门到精通第二节 DreamByte c++
一.上节课的补充(数据类型)1.前言继上节课,我们主要讲解了输入,输出和运算符,我们现在来补充一下数据类型的知识上节课遗漏了这个知识点,非常的抱歉顺便说一下,博主要上高中了,更新会慢,2-4周更新一次对了,正好赶上中秋节,小编跟大家说一句:中秋节快乐!2.int类型上节课,我们其实只用了int类型int类型,是整数类型,它们存贮的是整数,不能存小数(浮点数)定义变量的方式很简单inta;//定义一
【华为OD技术面试真题精选 - 非技术题】 -HR面，综合面_华为od hr面一个射手座的程序媛程序员华为od 面试职场和发展
最后的话最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！资料预览给大家整理的视频资料：给大家整理的电子书资料：如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以点击这里获
简介Shell、zsh、bash zhaosuningsn Shell zsh bash shell linux bash
Shell是Linux和Unix的外壳，类似衣服，负责外界与Linux和Unix内核的交互联系。例如接收终端用户及各种应用程序的命令，把接收的命令翻译成内核能理解的语言，传递给内核，并把内核处理接收的命令的结果返回给外界，即Shell是外界和内核沟通的桥梁或大门。Linux和Unix提供了多种Shell，其中有种bash，当然还有其他好多种。Mac电脑中不但有bash，还有一个zsh，预装的，据说
Linux MariaDB使用OpenSSL安装SSL证书 Meta39 MySQL Oracle MariaDB Linux Windows ssl linux mariadb
进入到证书存放目录，批量删除.pem证书警告：确保已经进入到证书存放目录find.-typef-iname\*.pem-delete查看是否安装OpenSSLopensslversion没有则安装yuminstallopensslopenssl-devel开启SSL编辑/etc/my.cnf文件（没有的话就创建，但是要注意，在/etc/my.cnf.d/server.cnf配置了datadir的，
【从浅识到熟知Linux】Linux发展史 Jammingpro 从浅学到熟知Linux linux 运维服务器
归属专栏：从浅学到熟知Linux个人主页：Jammingpro每日努力一点点，技术变化看得见文章前言：本篇文章记录Linux发展的历史，因在介绍Linux过程中涉及的其他操作系统及人物，本文对相关内容也有所介绍。文章目录Unix发展史Linux发展史开源Linux官网企业应用情况发行版本在学习Linux前，我们可能都会问Linux从哪里来？它是如何发展的。但在介绍Linux之前，需要先介绍一下Un
linux 发展史种树的猴子内核 java 操作系统 linux 大数据
linux发展史说明此前对linux认识模糊一知半解，近期通过学习将自己对于linux的发展总结一下方便大家日后的学习。那Linux是目前一款非常火热的开源操作系统，可是linux是什么时候出现的，又是因为什么样的原因被开发出来的呢。以下将对linux的发展历程进行详细的讲解。目录一、Linux发展背景二、UINIX的诞生三、UNIX的重要分支-BSD的诞生四、Minix的诞生五、GNU与Free
Linux sh命令 fengyehongWorld Linux linux
目录一.基本语法二.选项2.1-c字符串中读取内容，并执行2.1.1基本用法2.1.2获取当前目录下失效的超链接2.2-x每个命令执行之前，将其打印出来2.3结合Here文档使用一.基本语法⏹Linux和Unix系统中用于执行shell脚本或运行命令的命令。sh[选项][脚本文件][参数...]⏹选项-c：从字符串中读取内容，并执行。-x：在每个命令执行之前，将其打印出来。-s：从标准流中读取内容
Linux vi常用命令 fengyehongWorld Linux linux
参考资料viコマンド（vimコマンド）リファレンス目录一.保存系命令二.删除系命令三.移动系命令四.复制粘贴系命令一.保存系命令⏹保存并退出:wq⏹强制保存并退出:wq!⏹退出(文件未编辑):q⏹强制退出(忽略已编辑内容):q!⏹另存为:w新文件名二.删除系命令⏹删除当前行dd⏹清空整个文档gg：移动到文档顶部dG：删除到最后一行ggdG三.移动系命令⏹移动到文档顶部gg⏹移动到文档底部#方式1G
Java面试题精选：消息队列(二) 芒果不是芒 Java面试题精选 java kafka
一、Kafka的特性1.消息持久化：消息存储在磁盘，所以消息不会丢失2.高吞吐量：可以轻松实现单机百万级别的并发3.扩展性：扩展性强，还是动态扩展4.多客户端支持：支持多种语言（Java、C、C++、GO、）5.KafkaStreams（一个天生的流处理）:在双十一或者销售大屏就会用到这种流处理。使用KafkaStreams可以快速的把销售额统计出来6.安全机制：Kafka进行生产或者消费的时候会
Linux查看服务器日志 TPBoreas 运维 linux 运维
一、tail这个是我最常用的一种查看方式用法如下：tail-n10test.log查询日志尾部最后10行的日志;tail-n+10test.log查询10行之后的所有日志;tail-fn10test.log循环实时查看最后1000行记录(最常用的)一般还会配合着grep用，(实时抓包)例如:tail-fn1000test.log|grep'关键字'（动态抓包）tail-fn1000test.log
C++ lambda闭包消除类成员变量 barbyQAQ c++c++java 算法
原文链接：https://blog.csdn.net/qq_51470638/article/details/142151502一、背景在面向对象编程时，常常要添加类成员变量。然而类成员一旦多了之后，也会带来干扰。拿到一个类，一看成员变量好几十个，就问你怕不怕？二、解决思路可以借助函数式编程思想，来消除一些不必要的类成员变量。三、实例举个例子：classClassA{public:...intfu
2021 CCF 非专业级别软件能力认证第一轮（CSP-J1）入门级C++语言试题（第三大题：完善程序代码） mmz1207 c++csp
最近有一段时间没更新了，在准备CSP考试，请大家见谅。（1）有n个人围成一个圈，依次标号0到n-1。从0号开始，依次0，1，0，1...交替报数，报到一的人离开，直至圈中剩最后一个人。求最后剩下的人的编号。#includeusingnamespacestd;intf[1000010];intmain(){intn;cin>>n;inti=0,cnt=0,p=0;while(cnt#includeu
《 C++ 修炼全景指南：九》打破编程瓶颈！掌握二叉搜索树的高效实现与技巧 Lenyiin C++修炼全景指南技术指南 c++算法 stl
摘要本文详细探讨了二叉搜索树（BinarySearchTree,BST）的核心概念和技术细节，包括插入、查找、删除、遍历等基本操作，并结合实际代码演示了如何实现这些功能。文章深入分析了二叉搜索树的性能优势及其时间复杂度，同时介绍了前驱、后继的查找方法等高级功能。通过自定义实现的二叉搜索树类，读者能够掌握其实际应用，此外，文章还建议进一步扩展为平衡树（如AVL树、红黑树）以优化极端情况下的性能退化。
笋丁网页自动回复机器人V3.0.0免授权版源码希希分享软希网58soho_cn 源码资源笋丁网页自动回复机器人
笋丁网页机器人一款可设置自动回复，默认消息，调用自定义api接口的网页机器人。此程序后端语言使用Golang，内存占用最高不超过30MB，1H1G服务器流畅运行。仅支持Linux服务器部署，不支持虚拟主机，请悉知！使用自定义api功能需要有一定的建站基础。源码下载：https://download.csdn.net/download/m0_66047725/89754250更多资源下载：关注我。安
20个新手学习c++必会的程序输出*三角形、杨辉三角等（附代码） X_StarX c++学习算法大学生开发语言数据结构
示例1:HelloWorld#includeusingnamespacestd;intmain(){coutusingnamespacestd;intmain(){inta=5;intb=10;intsum=a+b;coutusingnamespacestd;intfactorial(intn){if(nusingnamespacestd;voidprintFibonacci(intn){intt
C++八股 Petrichorzncu 八股总结 c++开发语言
这里写目录标题C++内存管理C++的构造函数，复制构造函数，和析构函数深复制与浅复制：构造函数和析构函数哪个能写成虚函数，为什么？C++数据结构内存排列结构体和类占用的内存：==虚函数和虚表的原理==虚函数虚表（Vtable）虚函数和虚表的实现细节==内存泄漏==指针的工作原理函数的传值和传址new和delete与malloc和freeC++内存区域划分C++11新特性C++常见新特性==智能指针
【2022 CCF 非专业级别软件能力认证第一轮（CSP-J1）入门级 C++语言试题及解析】汉子萌萌哒 CCF noi 算法数据结构 c++
一、单项选择题(共15题，每题2分，共计30分；每题有且仅有一个正确选项)1.以下哪种功能没有涉及C++语言的面向对象特性支持：()。A.C++中调用printf函数B.C++中调用用户定义的类成员函数C.C++中构造一个class或structD.C++中构造来源于同一基类的多个派生类题目解析【解析】正确答案:AC++基础知识，面向对象和类有关，类又涉及父类、子类、继承、派生等关系，printf
《 C++ 修炼全景指南：十》自平衡的艺术：深入了解 AVL 树的核心原理与实现 Lenyiin C++修炼全景指南技术指南 c++数据结构 stl
摘要本文深入探讨了AVL树（自平衡二叉搜索树）的概念、特点以及实现细节。我们首先介绍了AVL树的基本原理，并详细分析了其四种旋转操作，包括左旋、右旋、左右双旋和右左双旋，阐述了它们在保持树平衡中的重要作用。接着，本文从头到尾详细描述了AVL树的插入、删除和查找操作，配合完整的代码实现和详尽的注释，使读者能够全面理解这些操作的执行过程。此外，我们还提供了AVL树的遍历方法，包括中序、前序和后序遍历，
SAX解析xml文件小猪猪08 xml
1.创建SAXParserFactory实例 2.通过SAXParserFactory对象获取SAXParser实例 3.创建一个类SAXParserHander继续DefaultHandler，并且实例化这个类 4.SAXParser实例的parse来获取文件 public static void main(String[] args) { //
为什么mysql里的ibdata1文件不断的增长？ brotherlamp linux linux运维 linux资料 linux视频 linux运维自学
我们在 Percona 支持栏目经常收到关于 MySQL 的 ibdata1 文件的这个问题。当监控服务器发送一个关于 MySQL 服务器存储的报警时，恐慌就开始了 —— 就是说磁盘快要满了。一番调查后你意识到大多数地盘空间被 InnoDB 的共享表空间 ibdata1 使用。而你已经启用了 innodbfileper_table，所以问题是： ibdata1存了什么？当你启用了 i
Quartz-quartz.properties配置 eksliang quartz
其实Quartz JAR文件的org.quartz包下就包含了一个quartz.properties属性配置文件并提供了默认设置。如果需要调整默认配置，可以在类路径下建立一个新的quartz.properties，它将自动被Quartz加载并覆盖默认的设置。下面是这些默认值的解释 #-----集群的配置 org.quartz.scheduler.instanceName =
informatica session的使用 18289753290 workflow session log Informatica
如果希望workflow存储最近20次的log，在session里的Config Object设置，log options做配置，save session log :sessions run ;savesessio log for these runs:20 session下面的source 里面有个tracing
Scrapy抓取网页时出现CRC check failed 0x471e6e9a != 0x7c07b839L的错误酷的飞上天空 scrapy
Scrapy版本0.14.4 出现问题现象： ERROR: Error downloading <GET http://xxxxx CRC check failed 解决方法 1.设置网络请求时的header中的属性'Accept-Encoding': '*;q=0' 明确表示不支持任何形式的压缩格式，避免程序的解压
java Swing小集锦永夜-极光 java swing
1.关闭窗体弹出确认对话框 1.1 this.setDefaultCloseOperation (JFrame.DO_NOTHING_ON_CLOSE); 1.2 this.addWindowListener ( new WindowAdapter () { public void windo
强制删除.svn文件夹随便小屋 java
在windows上，从别处复制的项目中可能带有.svn文件夹，手动删除太麻烦，并且每个文件夹下都有。所以写了个程序进行删除。因为.svn文件夹在windows上是只读的，所以用File中的delete()和deleteOnExist()方法都不能将其删除，所以只能采用windows命令方式进行删除
GET和POST有什么区别？及为什么网上的多数答案都是错的。 aijuans get post
如果有人问你，GET和POST，有什么区别？你会如何回答？我的经历前几天有人问我这个问题。我说GET是用于获取数据的，POST，一般用于将数据发给服务器之用。这个答案好像并不是他想要的。于是他继续追问有没有别的区别？我说这就是个名字而已，如果服务器支持，他完全可以把G
谈谈新浪微博背后的那些算法 aoyouzi 谈谈新浪微博背后的那些算法
本文对微博中常见的问题的对应算法进行了简单的介绍，在实际应用中的算法比介绍的要复杂的多。当然，本文覆盖的主题并不全，比如好友推荐、热点跟踪等就没有涉及到。但古人云“窥一斑而见全豹”，希望本文的介绍能帮助大家更好的理解微博这样的社交网络应用。微博是一个很多人都在用的社交应用。天天刷微博的人每天都会进行着这样几个操作：原创、转发、回复、阅读、关注、@等。其中，前四个是针对短博文，最后的关注和@则针
Connection reset 连接被重置的解决方法百合不是茶 java 字符流连接被重置
流是java的核心部分,,昨天在做android服务器连接服务器的时候出了问题,就将代码放到java中执行,结果还是一样连接被重置被重置的代码如下; 客户端代码; package 通信软件服务器; import java.io.BufferedWriter; import java.io.OutputStream; import java.io.O
web.xml配置详解之filter bijian1013 java web.xml filter
一.定义 <filter> <filter-name>encodingfilter</filter-name> <filter-class>com.my.app.EncodingFilter</filter-class> <init-param> <param-name>encoding<
Heritrix Bill_chen 多线程 xml 算法制造配置管理
作为纯Java语言开发的、功能强大的网络爬虫Heritrix，其功能极其强大，且扩展性良好，深受热爱搜索技术的盆友们的喜爱，但它配置较为复杂，且源码不好理解，最近又使劲看了下，结合自己的学习和理解，跟大家分享Heritrix的点点滴滴。 Heritrix的下载（http://sourceforge.net/projects/archive-crawler/）安装、配置，就不罗嗦了，可以自己找找资
【Zookeeper】FAQ bit1129 zookeeper
1.脱离IDE，运行简单的Java客户端程序 #ZkClient是简单的Zookeeper~$ java -cp "./:zookeeper-3.4.6.jar:./lib/*" ZKClient 1. Zookeeper是的Watcher回调是同步操作，需要添加异步处理的代码 2. 如果Zookeeper集群跨越多个机房，那么Leader/
The user specified as a definer ('aaa'@'localhost') does not exist 白糖_ localhost
今天遇到一个客户BUG，当前的jdbc连接用户是root，然后部分删除操作都会报下面这个错误：The user specified as a definer ('aaa'@'localhost') does not exist 最后找原因发现删除操作做了触发器，而触发器里面有这样一句 /*!50017 DEFINER = ''aaa@'localhost' */ 原来最初
javascript中showModelDialog刷新父页面 bozch JavaScript 刷新父页面 showModalDialog
在页面中使用showModalDialog打开模式子页面窗口的时候，如果想在子页面中操作父页面中的某个节点，可以通过如下的进行： window.showModalDialog('url',self,‘status...’); // 首先中间参数使用self 在子页面使用w
编程之美-买书折扣 bylijinnan 编程之美
import java.util.Arrays; public class BookDiscount { /**编程之美买书折扣书上的贪心算法的分析很有意思，我看了半天看不懂，结果作者说，贪心算法在这个问题上是不适用的。。下面用动态规划实现。哈利波特这本书一共有五卷，每卷都是8欧元，如果读者一次购买不同的两卷可扣除5%的折扣，三卷10%，四卷20%，五卷
关于struts2.3.4项目跨站执行脚本以及远程执行漏洞修复概要 chenbowen00 struts WEB安全
因为近期负责的几个银行系统软件，需要交付客户，因此客户专门请了安全公司对系统进行了安全评测，结果发现了诸如跨站执行脚本，远程执行漏洞以及弱口令等问题。下面记录下本次解决的过程以便后续 1、首先从最简单的开始处理，服务器的弱口令问题，首先根据安全工具提供的测试描述中发现应用服务器中存在一个匿名用户，默认是不需要密码的，经过分析发现服务器使用了FTP协议，而使用ftp协议默认会产生一个匿名用
[电力与暖气]煤炭燃烧与电力加温 comsci
在宇宙中,用贝塔射线观测地球某个部分,看上去,好像一个个马蜂窝,又像珊瑚礁一样,原来是某个国家的采煤区..... 不过,这个采煤区的煤炭看来是要用完了.....那么依赖将起燃烧并取暖的城市,在极度严寒的季节中...该怎么办呢? &nbs
oracle O7_DICTIONARY_ACCESSIBILITY参数 daizj oracle
O7_DICTIONARY_ACCESSIBILITY参数控制对数据字典的访问.设置为true,如果用户被授予了如select any table等any table权限,用户即使不是dba或sysdba用户也可以访问数据字典.在9i及以上版本默认为false,8i及以前版本默认为true.如果设置为true就可能会带来安全上的一些问题.这也就为什么O7_DICTIONARY_ACCESSIBIL
比较全面的MySQL优化参考 dengkane mysql
本文整理了一些MySQL的通用优化方法，做个简单的总结分享，旨在帮助那些没有专职MySQL DBA的企业做好基本的优化工作，至于具体的SQL优化，大部分通过加适当的索引即可达到效果，更复杂的就需要具体分析了，可以参考本站的一些优化案例或者联系我，下方有我的联系方式。这是上篇。 1、硬件层相关优化 1.1、CPU相关在服务器的BIOS设置中，可
C语言homework2，有一个逆序打印数字的小算法 dcj3sjt126com c
#h1# 0、完成课堂例子 1、将一个四位数逆序打印 1234 ==> 4321 实现方法一： # include <stdio.h> int main(void) { int i = 1234; int one = i%10; int two = i / 10 % 10; int three = i / 100 % 10;
apacheBench对网站进行压力测试 dcj3sjt126com apachebench
ab 的全称是 ApacheBench ，是 Apache 附带的一个小工具，专门用于 HTTP Server 的 benchmark testing ，可以同时模拟多个并发请求。前段时间看到公司的开发人员也在用它作一些测试，看起来也不错，很简单，也很容易使用，所以今天花一点时间看了一下。通过下面的一个简单的例子和注释，相信大家可以更容易理解这个工具的使用。
2种办法让HashMap线程安全 flyfoxs java jdk jni
多线程之--2种办法让HashMap线程安全多线程之--synchronized 和reentrantlock的优缺点多线程之--2种JAVA乐观锁的比较( NonfairSync VS. FairSync) HashMap不是线程安全的,往往在写程序时需要通过一些方法来回避.其实JDK原生的提供了2种方法让HashMap支持线程安全.
Spring Security（04）——认证简介 234390216 Spring Security 认证过程
认证简介目录 1.1 认证过程 1.2 Web应用的认证过程 1.2.1 ExceptionTranslationFilter 1.2.2 在request之间共享SecurityContext 1
Java 位运算 Javahuhui java 位运算
// 左移( << ) 低位补0 // 0000 0000 0000 0000 0000 0000 0000 0110 然后左移2位后，低位补0： // 0000 0000 0000 0000 0000 0000 0001 1000 System.out.println(6 << 2);// 运行结果是24 // 右移( >> ) 高位补"
mysql免安装版配置 ldzyz007 mysql
1、my-small.ini是为了小型数据库而设计的。不应该把这个模型用于含有一些常用项目的数据库。 2、my-medium.ini是为中等规模的数据库而设计的。如果你正在企业中使用RHEL,可能会比这个操作系统的最小RAM需求(256MB)明显多得多的物理内存。由此可见，如果有那么多RAM内存可以使用，自然可以在同一台机器上运行其它服务。 3、my-large.ini是为专用于一个SQL数据
MFC和ado数据库使用时遇到的问题你不认识的休道人 sql C++mfc
=================================================================== 第一个 =================================================================== try{ CString sql; sql.Format("select * from p
表单重复提交Double Submits rensanning double
可能发生的场景： *多次点击提交按钮 *刷新页面 *点击浏览器回退按钮 *直接访问收藏夹中的地址 *重复发送HTTP请求（Ajax）（1）点击按钮后disable该按钮一会儿，这样能避免急躁的用户频繁点击按钮。这种方法确实有些粗暴，友好一点的可以把按钮的文字变一下做个提示，比如Bootstrap的做法： http://getbootstrap.co
Java String 十大常见问题 tomcat_oracle java 正则表达式
　1.字符串比较，使用“==”还是equals()? 　　"=="判断两个引用的是不是同一个内存地址(同一个物理对象)。　　equals()判断两个字符串的值是否相等。　　除非你想判断两个string引用是否同一个对象，否则应该总是使用equals()方法。　　如果你了解字符串的驻留(String Interning)则会更好地理解这个问题。　　
SpringMVC 登陆拦截器实现登陆控制 xp9802 springMVC
思路，先登陆后，将登陆信息存储在session中，然后通过拦截器，对系统中的页面和资源进行访问拦截，同时对于登陆本身相关的页面和资源不拦截。实现方法： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

vins Freatrack遮罩c++ 实现

你可能感兴趣的:(Linux,c++,开发语言)