最远距离(C++实现)

最远距离(C++实现)

给定一组点(x,y),求距离最远的两个点之间的距离。
输入
第一行是点数n(n大于等于2),接着每一行代表一个点,由两个浮点数x,y组成。
输出
输出一行是最远两点之间的距离。

样例输出

6 
34.0 23.0
28.1 21.6
14.7 17.1
17.0 27.2
34.7 67.1
29.3 65.1

样例输出

53.8516

参考程序

//Data:7/18/2017
//Writen by Yuxin Liu
#include <iostream>
#include <iomanip>

using namespace std;
double dis(double (*)[2], double (*)[2]);//函数声明,计算每两个点的距离
int main()
{
    int n;
    cin >> n;
    double a[10][2];//二维数组的形式存储坐标点
    double result[50];//存储任意两点之间的距离
    //输入
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j < 2; j++)
        {
            cin >> a[i][j];
        }
    }
    //同时将每个坐标点的x,y值,以地址的形式传递给p和q
    double (*p)[2];
    p= &a[0];
    double (*q)[2];
    q= &a[0];
    //遍历每个坐标点,求距离
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j< n; j++)
        {
            result[i*n+j] = dis(p,q);
            q = q + 1;

        }
        p = p + 1;
        q = &a[0];


    }
    //判断最大值,并输出
    double max = 0;
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j < n; j++)
        {
            cout << fixed << setprecision(4) << result[i*n + j] << endl;
            if (result[i*n + j]>max)
                max = result[i*n + j];
        }
    }

    cout << fixed << setprecision(4) << max << endl;

    return 0;
}
//两点之间距离函数的定义
double dis(double (*b)[2], double (*c)[2])
{
    double distance = 0;
    distance = sqrt((b[0][0] - c[0][0])*(b[0][0] - c[0][0]) + (b[0][1] - c[0][1])*(b[0][1] - c[0][1]));
    return distance;
}
要在 C++ 中使用 OpenCV 实现远距离目标追踪,你需要掌握以下几个步骤: 1. 获取视频流或图像。 2. 对图像进行预处理,包括调整大小、灰度化、平滑化等。 3. 使用 Haar 级联分类器或其他机器学习算法检测出目标物体。你可以使用 OpenCV 自带的 Haar 级联分类器或训练自己的分类器。 4. 根据检测到的目标物体,计算出目标物体的位置和跟踪矩形。 5. 根据目标物体的位置和跟踪矩形,在下一帧图像中寻找目标物体,并更新跟踪矩形。 6. 循环执行第 5 步,直到目标物体离开画面或停止运动。 下面是一个简单的示例代码,演示了如何使用 OpenCV 进行目标追踪: ``` #include <opencv2/opencv.hpp> using namespace cv; int main() { // 打开视频文件 VideoCapture cap("test.mp4"); if (!cap.isOpened()) return -1; // 创建 Haar 级联分类器 CascadeClassifier cascade; cascade.load("cascade.xml"); // 运行循环,处理每一帧图像 Mat frame; while (cap.read(frame)) { // 调整图像大小,提高处理速度 resize(frame, frame, Size(frame.cols / 2, frame.rows / 2)); // 灰度化和直方图均衡化,提高目标物体的对比度 Mat gray; cvtColor(frame, gray, COLOR_BGR2GRAY); equalizeHist(gray, gray); // 检测目标物体 std::vector<Rect> objects; cascade.detectMultiScale(gray, objects, 1.1, 3, 0, Size(30, 30)); // 更新目标物体的位置和跟踪矩形 for (auto& rect : objects) { rectangle(frame, rect, Scalar(0, 255, 0), 2); } // 显示图像并等待按键 imshow("frame", frame); if (waitKey(30) == 'q') break; } return 0; } ``` 其中,`cascade.xml` 文件是事先训练好的 Haar 级联分类器模型,你可以在网上找到现成的模型,也可以使用 OpenCV 自带的模型。在代码中,我们首先打开视频文件,然后创建 Haar 级联分类器,循环读取每一帧图像并进行预处理,最后使用分类器检测目标物体并更新跟踪矩形,同时显示图像并等待按键。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值