- ORBSLAM3 运行流程 以rgbd_tum.cc函数为例进行分析
水理璇浮
ORBSLAM3数码相机
一、运行使用的是D435i相机自己录制的数据。运行命令:./Examples/RGB-D/rgbd_tum'/opt/vslam/ORB_SLAM3_detailed_comments-dense_map_new/Vocabulary/ORBvoc.txt''/opt/vslam/ORB_SLAM3_detailed_comments-dense_map_new/Examples/RGB-D/TU
- OpenVSLAM在Ubuntu16.04下编译安装
hhh0209
vslamlinux
最近开始学习VSLAM,理论知识大概了解了一下,想要学透还是需要下一番功夫的。为了领导的任务,先把OpenVSLAM装上,跑个demo看看。我平时用windows比较多,改成Linux还是得适应一下。参考资料主要有:1参考12参考23官方安装文档按着这些教程,基本能安装下来,中间也会有些小问题,记录如下:1,参考1里的依赖安装第10条我没有安装成功;2,我的OPENCV是3.4.0版本;3,安装y
- VSLAM中的特征点三角化
nice-wyh
算法
特征点三角化(Triangulation)是VSLAM中一个非常基础的问题,它是根据特征点在多个相机下的投影恢复出特征点的3D坐标。特征点在某个相机中被观测到,根据相机位姿和观测向量可以得到3D空间中的一条从相机中心出发的观测“射线”,多个相机位姿观测会产生多条观测射线,理想情况下这些观测射线相交于空间中一点,求所有观测射线的交点就是特征点在3D空间的位置,这就是三角化最朴素的思想。实际中由于噪声
- 导航与定位技术已成为移动机器人的核心技术之一
Fuweizn
移动机器人自动化生产线AGV智能搬运机器人自动化机器人工业自动化
随着移动机器人技术的不断发展和应用领域的扩大,导航与定位技术已成为移动机器人的核心技术之一。本文将介绍移动机器人导航与定位技术的发展现状、技术前沿和面临的挑战。一、导航与定位技术的发展现状移动机器人的导航与定位技术是实现自主移动的关键。目前,移动机器人的导航与定位技术主要包括基于GPS、SLAM、VSLAM等技术的方法。1、GPS导航技术:利用全球定位系统进行定位,精度高、覆盖范围广,但需要外部信
- vslam论文24:ESVIO: 基于事件相机的双目VIO(RAL 2023)
xsyaoxuexi
视觉SLAM论文阅读c++人工智能学习笔记
摘要异步输出低延迟事件流的事件相机为具有挑战性的情况下的状态估计提供了很大的机会。尽管近年来基于事件的视觉里程测量技术得到了广泛的研究,但大多数都是基于单目的,而对立体事件视觉的研究很少。在本文中,我们介绍了ESVIO,这是第一个基于事件的立体视觉惯性里程计,它利用了事件流、标准图像和惯性测量的互补优势。我们建议的pipeline包括ESIO(纯基于事件的)和ESVIO(带有图像辅助的事件),它们
- vslam论文25: 结构约束的RGB-D SLAM(ICRA 2021)
xsyaoxuexi
视觉SLAM论文阅读c++平面学习计算机视觉笔记
摘要本文提出了一种专门为结构化环境设计的RGB-DSLAM系统,旨在通过从周围提取的几何特征来提高跟踪和制图精度。除了点之外,结构化环境还提供了大量的几何特征,如线和平面,我们利用这些特征来设计SLAM系统的跟踪和映射组件。对于跟踪部分,我们基于曼哈顿世界(MW)的假设探索这些特征之间的几何关系。我们提出了一种基于点、线和面的解耦优化方法,以及在附加的姿态优化模块中使用曼哈顿关系。在建图部分,以较
- vslam论文10:PL-VINS:具有点和线特征的实时单目视觉惯性SLAM
xsyaoxuexi
视觉SLAM论文阅读笔记c++
摘要PL-VINS是基于最先进的基于点的VINS-mono,开发的一种基于点和线特征的实时、高效优化的单目VINS方法。我们观察到,目前的作品使用LSD算法提取线条特征;然而,LSD是为场景形状表示而设计的,而不是为姿态估计问题设计的,由于其高昂的计算成本,这成为了实时性能的瓶颈。在本文中,我们通过研究隐藏参数调整和长度抑制策略来改进LSD算法。改进后的LSD算法的运行速度至少是LSD的三倍。此外
- vslam论文15:DynaVINS: 一种动态环境下的视觉惯性SLAM(ICRA 2023)
xsyaoxuexi
视觉SLAM论文阅读笔记c++学习
摘要视觉惯性里程计和SLAM算法广泛应用于服务机器人、无人机和自动驾驶汽车等领域。大多数SLAM算法都是基于假设地标是静态的。然而,在现实世界中,存在着各种各样的动态物体,它们降低了姿态估计的精度。此外,临时静态对象(在观察期间是静态的,但在视线之外时移动)会触发误报循环关闭。为了克服这些问题,我们提出了一种新的视觉惯性SLAM框架,称为DynaVINS,它对动态目标和临时静态目标都具有鲁棒性。在
- vslam论文23:VIP-SLAM: 一种高效、紧耦合的RGB-D视觉惯性平面SLAM(ICRA 2022)
xsyaoxuexi
视觉SLAM论文阅读平面人工智能算法笔记c++学习
摘要本文提出了一种融合RGB、Depth、IMU和结构化平面信息的紧密耦合SLAM系统。传统的基于稀疏点的SLAM系统总是保持大量的地图点来建模环境。大量的地图点给我们带来了很高的计算复杂度,使其难以部署在移动设备上。另一方面,平面是人造环境尤其是室内环境中常见的结构形式。我们通常可以使用少量的平面来表示一个大的场景。因此,本文的主要目的是降低基于稀疏点的SLAM的高复杂性。我们构建了一个轻量级的
- vslam论文8:EPLF-VINS: Real-Time Monocular Visual-InertialSLAM With Efficient Point-Line Flow Features
xsyaoxuexi
视觉SLAM论文阅读人工智能学习自动驾驶c++
(RAL2023)摘要本文介绍了一种利用点和线特征的高效视觉惯性同步定位和映射(SLAM)方法。目前,基于点的SLAM方法在弱纹理和运动模糊等场景下表现不佳。许多研究者注意到线特征在空间中的优异特性,并尝试开发基于线的SLAM系统。然而,线条提取和描述匹配过程的计算量巨大,难以保证整个SLAM系统的实时性,而错误的线条检测和匹配限制了SLAM系统性能的提高。本文通过短线融合、线特征均匀分布、自适应
- vulkan shader变换--Apple的学习笔记
applecai
关于图形变换,之前就做过专题学习过了。再快速复习下正交矩阵及矩阵变换的python实现--Apple的学习笔记其实主要的变换包括缩放,平移,旋转,衍射。另外二维图形主要都是按坐标旋转,三维图形都是按轴旋转的。关键点需要知道坐标系。然后代码工程显示的照片是相机视角的,所以还需要了解世界坐标/物体坐标/相机坐标/图像坐标的概念及转换。之前学习vslam的时候都学习过了。所以有了这些基础,我就直奔主题将
- 手撕 视觉slam14讲 ch13 代码 总结
全日制一起混
手撕VO篇视觉slam十四讲SLAMc++计算机视觉ubuntu
运行效果(Kitti00)4倍速一、代码GitHub-tzy0228/Easy-VO-SLAM:VSLAM-CH13工程代码注释版本二、编译过程踩坑视觉SLAM十四讲第二版ch13编译及运行问题_全日制一起混的博客-CSDN博客三、代码解读手撕视觉slam14讲ch13代码(1)工程框架与代码结构-CSDN博客手撕视觉slam14讲ch13代码(2)基本类的抽象_全日制一起混的博客-CSDN博客手
- 【VSLAM】ORB-SLAM3安装部署与运行
DevFrank
c++CV计算机视觉与音视频机器人rosslam
心口如一,犹不失为光明磊落丈夫之行也。——梁启超文章目录:smirk:1.ORB-SLAM3介绍:blush:2.代码安装部署1.安装ros与opencv2.安装Pangolin作为可视化和用户界面3.安装Eigen3一个开源线性库,可进行矩阵运算4.安装ORB-SLAM3:satisfied:3.案例运行1.运行数据集2.用真实相机usb_cam运行1.ORB-SLAM3介绍ORB-SLAM3是
- VSLAM(7):后端优化---滤波器方法和BA图优化
聪明的笨小子
视觉SLAM14讲python算法
在视觉里程计完成每次的位姿估计后,可以实时地得到一个短时间内的轨迹和地图点,但是由于估计本身具有误差,这个误差会一直保持并不断累加。所以可以构建一个尺度和规模更大的优化问题,来计算一段长时间内的最有轨迹和地图。一,后端优化综述SLAM问题可以由运动方程和观测方程描述,设从t=0到t=N这个时间段内,机器人经过了到的位姿点,观测到了这么多的特征点,那么有:视觉前段往往在某一时刻会观测很多的特征点,所
- vslam论文14:Monocular Visual-Inertial Odometry with Planar Regularities(ICRA 2023)
xsyaoxuexi
视觉SLAM论文阅读c++学习笔记
摘要最先进的单目视觉惯性里程计(VIO)方法依赖于稀疏点特征,部分原因是它们的效率、鲁棒性和普遍性,而忽略了高级结构规律,如平面,这些在人造环境中很常见,可以用来进一步约束运动。一般来说,由于平面的存在空间很大,可以用相机观察平面很长一段时间,因此可以进行长期导航。所以,在本文中,我们设计了一种新颖的实时单目VIO系统,该系统在轻量级多状态约束卡尔曼滤波器(MSCKF)中由平面特征完全正则化。我们
- vslam论文21:基于点、面图的高效视觉惯性导航(ICRA 2023)
xsyaoxuexi
视觉SLAM论文阅读笔记学习c++平面
摘要相对于全局先验地图,精确和实时的全局姿态估计在许多应用中是必不可少的,例如微型飞行器和增强现实的物流。假设纯稀疏的三维点图可以提供环境的无结构表示,那么生成点平面先验图可以进一步建模环境拓扑并为精确定位提供全局约束。为了实现这一点,我们提出了一个基于滤波器的大规模视觉惯性里程计系统,称为PPM-VIO,它利用点平面图来纠正累积漂移。该系统利用语义信息检测稀疏点云的共面信息,通过几何约束、语义约
- vslam论文1:Range-Focused Fusion of Camera-IMU-UWB for Accurate and Drift-Reduced Localization(RAL2021)
xsyaoxuexi
视觉SLAM论文阅读数码相机
准确、低飘移定位的相机-IMU-UWB聚焦距离融合摘要:在这项工作中,我们提出了一种紧耦合的单目摄像机、6自由度IMU和单个未知UWB锚融合方案,以实现精确和减少漂移的定位。具体地说,该文章聚焦于将UWB传感器整合到现有的最先进的视觉惯性系统。为实现这一目标,之前的工作使用单个最近的UWB距离数据来更新滑动窗口中的机器人位置(“聚焦位置”),并展示了令人鼓舞的结果。然而,这些方法忽略了:1)UWB
- vslam论文4:Dynam-SLAM: An Accurate, Robust Stereo Visual-Inertial SLAM Method in Dynamic Environments
xsyaoxuexi
视觉SLAM论文阅读论文阅读人工智能自动驾驶c++目标检测
出版:TRO2022摘要大多数现有的基于视觉的SLAM系统及其变体仍然假设观测是绝对静态的,无法在动态环境中表现良好。在这里,我们介绍了Dynam-SLAM(Dynam),这是一种双目视觉惯性SLAM系统,能够在高动态环境中实现稳健、准确和连续的工作。我们的方法致力于将双目场景流与惯性测量单元(IMU)松耦合,用于动态特征检测,并将动态特征和静态特征与IMU测量紧耦合以进行非线性优化。首先,对测量
- vslam论文2:FEJ-VIRO: A Consistent First-Estimate Jacobian Visual-Inertial-Ranging Odometry( IROS-2022)
xsyaoxuexi
视觉SLAM论文阅读人工智能目标跟踪自动驾驶c++
FEJ-VIRO:一种一致的第一估计雅可比视觉-惯性-测距里程计一、摘要最近几年,VIO已经实现了很多显著的进步。然而,VIO方法在长期轨迹中会遭受定位飘移。在这篇文章中,我们提出FEJ-VIRO通过一致地将UWB测量值整合到VIO框架去减少VIO的定位飘移。考虑到UWB锚的原始位置通常无法获取,我们提出一种长短窗结构去初始化UWB锚的位置,和状态增广的协方差。初始化后,FEJ-VIRO同时估计U
- 德鲁周记06--VSLAM从入门到入坟
安德鲁JANKENPAN
德鲁周记SLAMslam
VSLAM入门介绍基础知识三维空间的刚体运动欧式变换四元数欧拉角李群与李代数线性拟合相机单目相机双目相机深度相机基本框架视觉里程计特征匹配ORB直接法对比后端优化EKFBA(BundleAdjustment)回环检测建图因为研究生的工程实践我选择了这个方向,这两周一直在学VSLAM,看完了高翔老师的视频和《视觉SLAM十四讲》,强烈推荐!!!入门必看,神书!!当然我第一遍自我感觉是肯定没看太懂的,
- 【VSLAM系列】三:Vins-Mono论文笔记
塞拉摩
视觉SLAM论文阅读数码相机人工智能
VINs-Mono论文1.VINS-Mono的特点:1.未知初始状态的鲁棒性初始化过程2.带imu-camera外参校准和imu校准的紧耦合,基于非线性优化的单目VIO系统3.在线重定位和四个自由度的全局姿态图优化。4.姿态图可以保存,加载,并和局部姿态图进行合并。2.传感器数据处理摄像头和imu数据融合方法:1.松耦合法,imu是独立于摄像头的模块,常使用EKF算法,imu数据此时用于状态传播,
- vSLAM中IMU预积分的作用--以惯性导航的角度分析
清风微升至
视觉SLAM数码相机
作为一个学过一点惯导的工程师,在初次接触视觉slam方向时,最感兴趣的就是IMU预积分了。但为什么要用这个预积分,在看了很多材料和书后,还是感觉模模糊糊,云里雾里。在接触了vSLAM的更多内容后,站在历史研究者的角度去分析,得到了一个更为清晰的作用分析。首先,需要明确IMU与相机这两种传感器的互补作用,这是为什么要用IMU的原因。直接贴出程博书中的内容,总结的比较全面了。总之,就是相机成像的缺点可
- Semantic Visual Simultaneous Localization andMapping: A Survey 语义视觉同步定位与映射研究综述 粗翻
尤齐
深度学习机器学习人工智能python算法
2021摘要视觉同步定位与映射(vSLAM)在计算机视觉和机器人领域取得了巨大进展,并已成功应用于自主机器人导航和AR/VR等许多领域。然而,vSLAM无法在动态和复杂的环境中实现良好的本地化。近年来,许多出版物报道,通过将语义信息与vSLAM相结合,语义vSLAM系统具有解决上述问题的能力。然而,还没有关于语义vSLAM的全面调查。为了填补这一空白,本文首先回顾了语义vSLAM的发展,明确强调了
- SLAM总览【自学备忘】
Yup_Boss
矩阵
SLAM一、VSLAM1、库1.1Sophus库1.1.1Sophus库安装1.1.2Sophus库函数一、VSLAM1、库1.1Sophus库Eigen库是一个开源的C++线性代数库,它提供了快速的有关矩阵的线性代数运算,还包括解方程等功能。但是Eigen库提供了集合模块,但没有提供李代数的支持。一个较好的李群和李代数的库是Sophus库,它很好的支持了SO(3),so(3),SE(3)和se(
- OpenVSLAM源码阅读
释怀°Believe
#视觉SLAM人工智能
⚡⚡⚡通过src下面的CMakeLists.txt开始构建项目add_subdirectory(stella_vslam)上面这句代码向CMake告知在当前项目中引入一个子目录,并在子目录中查找另一个CmakeLists.txt文件来构建项目在stella_vslam子目录中的CMakeLists.txt文件将描述如何构建stella_vslam子项目,可能包括源文件、编译选项、链接库等。主项目的
- 博客学习目录
Howe_xixi
学习
填坑专区,督促自己有系统的学习归纳。先把想学的挖个坑,一边填坑一边挖坑。怕什么真理无穷,进一步有一步的欢喜。目录【基础学科学习】【线性代数笔记】《3Blue1Brown》笔记【SLAM】【VSLAM笔记】《视觉SLAM十四讲》学习笔记Smoothly-VSLAM学习笔记【嵌入式开发】【鸿蒙开发笔记】OpenHarmony北向学习笔记【Linux系统】【编程语言学习】【C++笔记】【Python笔记
- 【VSLAM系列】四:Vins-Mono源码学习笔记
塞拉摩
视觉SLAM学习笔记opencv
VINS-Mono源码工程化技巧:滑动窗口的优化方式–>控制计算量同时实现优于滤波方法的里程计高效的去畸变操作–>实时性优于opencv且精度不会下降的去畸变不同实时性要求的处理方法–>后端实时性要求高于回环优点:套件价格、功耗、尺寸优势明显快速鲁棒的单目IMU初始化过程紧耦合的后端优化,在优化VIO位姿的同时还兼顾外参标定,零偏估计以及传感器延时估计回环检测功能,便于构建全局一致性更好的位姿和地
- 【深蓝学院】手写VIO第7章--VINS初始化和VIO系统--笔记
读书健身敲代码
笔记
0.内容1.VIO回顾整个视觉前端pipeline回顾:两帧图像,可提取特征点,特征匹配(描述子暴力匹配或者光流)已知特征点匹配关系,利用几何约束计算relativepose([R|t]),translation只有方向,没有尺度使用三角化获得3维坐标,即可完成vslam系统的初始化有了3D特征点,后续可根据特征跟踪,使用PnP求解CameraPose,无需再使用几何约束IMU的加速度要和世界系的
- 【Smoothly-VSLAM】-3 描述状态不简单:三维空间刚体运动
Howe_xixi
机器人计算机视觉
所有内容请看:博客学习目录_Howe_xixi的博客-CSDN博客https://blog.csdn.net/weixin_44362628/article/details/126020573?spm=1001.2014.3001.5502参考链接:3.描述状态不简单:三维空间刚体运动(yuque.com)参考链接0.《视觉SLAM十四讲》1.旋转的左乘与右乘2.如何通俗地解释欧拉角?之后为何要引
- VSLAM视觉里程计总结
Yangy_Jiaojiao
计算机视觉人工智能opencv
相机模型是理解视觉里程计之前的基础。视觉里程计(VIO)主要分为特征法和直接法。如果说特征点法关注的是像素的位置差,那么,直接法关注的则是像素的颜色差。特征点法通常会把图像抽象成特征点的集合,然后去缩小特征点之间的重投影误差;而直接法则通过warpfunction直接计算像素点在另一张图像上的颜色差,这样就省去了特征提取的步骤。特征点:关键点(位姿)+描述子(向量)直接法:根据像素的亮度信息估计相
- jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque
qiaolevip
每天进步一点点学习永无止境跨域众观千象
XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
- mysql 分区查询优化
annan211
java分区优化mysql
分区查询优化
引入分区可以给查询带来一定的优势,但同时也会引入一些bug.
分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区,通过分区过滤可以让查询扫描更少的数据。
所以,对于访问分区表来说,很重要的一点是要在where 条件中带入分区,让优化器过滤掉无需访问的分区。
可以通过查看explain执行计划,是否携带 partitions
- MYSQL存储过程中使用游标
chicony
Mysql存储过程
DELIMITER $$
DROP PROCEDURE IF EXISTS getUserInfo $$
CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为:getUserInfo-- 参数为:date_day日期格式:2008-03-08-- BEGINdecla
- mysql 和 sqlite 区别
Array_06
sqlite
转载:
http://www.cnblogs.com/ygm900/p/3460663.html
mysql 和 sqlite 区别
SQLITE是单机数据库。功能简约,小型化,追求最大磁盘效率
MYSQL是完善的服务器数据库。功能全面,综合化,追求最大并发效率
MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装,例如网站访问量比较大的。而sq
- pinyin4j使用
oloz
pinyin4j
首先需要pinyin4j的jar包支持;jar包已上传至附件内
方法一:把汉字转换为拼音;例如:编程转换后则为biancheng
/**
* 将汉字转换为全拼
* @param src 你的需要转换的汉字
* @param isUPPERCASE 是否转换为大写的拼音; true:转换为大写;fal
- 微博发送私信
随意而生
微博
在前面文章中说了如和获取登陆时候所需要的cookie,现在只要拿到最后登陆所需要的cookie,然后抓包分析一下微博私信发送界面
http://weibo.com/message/history?uid=****&name=****
可以发现其发送提交的Post请求和其中的数据,
让后用程序模拟发送POST请求中的数据,带着cookie发送到私信的接入口,就可以实现发私信的功能了。
- jsp
香水浓
jsp
JSP初始化
容器载入JSP文件后,它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务,复写jspInit()方法就行了
JSP执行
这一阶段描述了JSP生命周期中一切与请求相关的交互行为,直到被销毁。
当JSP网页完成初始化后
- 在 Windows 上安装 SVN Subversion 服务端
AdyZhang
SVN
在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号
最佳阅读效果请访问原地址:http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx
现在的Subversion已经足够稳定,而且已经进入了它的黄金时段。我们看到大量的项目都在使
- android开发中如何使用 alertDialog从listView中删除数据?
aijuans
android
我现在使用listView展示了很多的配置信息,我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据,( ArrayAdapter ,ArrayList,listView 全部删除),我知道在 下面的onItemLongClick 方法中 参数 arg2 是选中的序号,但是我不知道如何继续处理下去 1 2 3
- jdk-6u26-linux-x64.bin 安装
baalwolf
linux
1.上传安装文件(jdk-6u26-linux-x64.bin)
2.修改权限
[root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin
3.执行安装文件
[root@localhost ~]# cd /usr/local
[root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
- MongoDB经典面试题集锦
BigBird2012
mongodb
1.什么是NoSQL数据库?NoSQL和RDBMS有什么区别?在哪些情况下使用和不使用NoSQL数据库?
NoSQL是非关系型数据库,NoSQL = Not Only SQL。
关系型数据库采用的结构化的数据,NoSQL采用的是键值对的方式存储数据。
在处理非结构化/半结构化的大数据时;在水平方向上进行扩展时;随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。
在考虑数据库的成熟
- JavaScript异步编程Promise模式的6个特性
bijian1013
JavaScriptPromise
Promise是一个非常有价值的构造器,能够帮助你避免使用镶套匿名方法,而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。
在我们开始正式介绍之前,我们想看看Javascript Promise的样子:
var p = new Promise(function(r
- [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager
bit1129
zookeeper
ClientWatchManager接口
//接口的唯一方法materialize用于确定那些Watcher需要被通知
//确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path
public interface ClientWatchManager {
/**
* Return a set of watchers that should
- 【Scala十五】Scala核心九:隐式转换之二
bit1129
scala
隐式转换存在的必要性,
在Java Swing中,按钮点击事件的处理,转换为Scala的的写法如下:
val button = new JButton
button.addActionListener(
new ActionListener {
def actionPerformed(event: ActionEvent) {
- Android JSON数据的解析与封装小Demo
ronin47
转自:http://www.open-open.com/lib/view/open1420529336406.html
package com.example.jsondemo;
import org.json.JSONArray;
import org.json.JSONException;
import org.json.JSONObject;
impor
- [设计]字体创意设计方法谈
brotherlamp
UIui自学ui视频ui教程ui资料
从古至今,文字在我们的生活中是必不可少的事物,我们不能想象没有文字的世界将会是怎样。在平面设计中,UI设计师在文字上所花的心思和功夫最多,因为文字能直观地表达UI设计师所的意念。在文字上的创造设计,直接反映出平面作品的主题。
如设计一幅戴尔笔记本电脑的广告海报,假设海报上没有出现“戴尔”两个文字,即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
- 单调队列-用一个长度为k的窗在整数数列上移动,求窗里面所包含的数的最大值
bylijinnan
java算法面试题
import java.util.LinkedList;
/*
单调队列 滑动窗口
单调队列是这样的一个队列:队列里面的元素是有序的,是递增或者递减
题目:给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k.
要求:f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1
问题的另一种描述就
- struts2处理一个form多个submit
chiangfai
struts2
web应用中,为完成不同工作,一个jsp的form标签可能有多个submit。如下代码:
<s:form action="submit" method="post" namespace="/my">
<s:textfield name="msg" label="叙述:">
- shell查找上个月,陷阱及野路子
chenchao051
shell
date -d "-1 month" +%F
以上这段代码,假如在2012/10/31执行,结果并不会出现你预计的9月份,而是会出现八月份,原因是10月份有31天,9月份30天,所以-1 month在10月份看来要减去31天,所以直接到了8月31日这天,这不靠谱。
野路子解决:假设当天日期大于15号
- mysql导出数据中文乱码问题
daizj
mysql中文乱码导数据
解决mysql导入导出数据乱码问题方法:
1、进入mysql,通过如下命令查看数据库编码方式:
mysql> show variables like 'character_set_%';
+--------------------------+----------------------------------------+
| Variable_name&nbs
- SAE部署Smarty出现:Uncaught exception 'SmartyException' with message 'unable to write
dcj3sjt126com
PHPsmartysae
对于SAE出现的问题:Uncaught exception 'SmartyException' with message 'unable to write file...。
官方给出了详细的FAQ:http://sae.sina.com.cn/?m=faqs&catId=11#show_213
解决方案为:
01
$path
- 《教父》系列台词
dcj3sjt126com
Your love is also your weak point.
你的所爱同时也是你的弱点。
If anything in this life is certain, if history has taught us anything, it is
that you can kill anyone.
不顾家的人永远不可能成为一个真正的男人。 &
- mongodb安装与使用
dyy_gusi
mongo
一.MongoDB安装和启动,widndows和linux基本相同
1.下载数据库,
linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz
2.解压文件,并且放置到合适的位置
tar -vxf mongodb-linux-x86_64-ubun
- Git排除目录
geeksun
git
在Git的版本控制中,可能有些文件是不需要加入控制的,那我们在提交代码时就需要忽略这些文件,下面讲讲应该怎么给Git配置一些忽略规则。
有三种方法可以忽略掉这些文件,这三种方法都能达到目的,只不过适用情景不一样。
1. 针对单一工程排除文件
这种方式会让这个工程的所有修改者在克隆代码的同时,也能克隆到过滤规则,而不用自己再写一份,这就能保证所有修改者应用的都是同一
- Ubuntu 创建开机自启动脚本的方法
hongtoushizi
ubuntu
转载自: http://rongjih.blog.163.com/blog/static/33574461201111504843245/
Ubuntu 创建开机自启动脚本的步骤如下:
1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。
2) 设置脚本文件的权限 $ sudo chmod 755
- 第八章 流量复制/AB测试/协程
jinnianshilongnian
nginxluacoroutine
流量复制
在实际开发中经常涉及到项目的升级,而该升级不能简单的上线就完事了,需要验证该升级是否兼容老的上线,因此可能需要并行运行两个项目一段时间进行数据比对和校验,待没问题后再进行上线。这其实就需要进行流量复制,把流量复制到其他服务器上,一种方式是使用如tcpcopy引流;另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
- 电商系统商品表设计
lkl
DROP TABLE IF EXISTS `category`; -- 类目表
/*!40101 SET @saved_cs_client = @@character_set_client */;
/*!40101 SET character_set_client = utf8 */;
CREATE TABLE `category` (
`id` int(11) NOT NUL
- 修改phpMyAdmin导入SQL文件的大小限制
pda158
sqlmysql
用phpMyAdmin导入mysql数据库时,我的10M的
数据库不能导入,提示mysql数据库最大只能导入2M。
phpMyAdmin数据库导入出错: You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
- Tomcat性能调优方案
Sobfist
apachejvmtomcat应用服务器
一、操作系统调优
对于操作系统优化来说,是尽可能的增大可使用的内存容量、提高CPU的频率,保证文件系统的读写速率等。经过压力测试验证,在并发连接很多的情况下,CPU的处理能力越强,系统运行速度越快。。
【适用场景】 任何项目。
二、Java虚拟机调优
应该选择SUN的JVM,在满足项目需要的前提下,尽量选用版本较高的JVM,一般来说高版本产品在速度和效率上比低版本会有改进。
J
- SQLServer学习笔记
vipbooks
数据结构xml
1、create database school 创建数据库school
2、drop database school 删除数据库school
3、use school 连接到school数据库,使其成为当前数据库
4、create table class(classID int primary key identity not null)
创建一个名为class的表,其有一