- 博客(782)
- 资源 (2)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 【Android UI开发】Android VideoView 使用介绍（二）
VideoView 是 Android 原生轻量视频播放控件，无需引入第三方播放器，适配日常轻量视频预览、相册视频播放、短视频展示等业务场景。但网络上绝大多数入门 Demo 存在：一是存在大量生产级 Bug 无法上线；二是，导致高版本手机适配失败、应用隐私合规不通过。原生普遍问题：屏幕旋转、页面重建后视频进度归零，从头播放App 退后台再切前台，播放状态丢失、进度错乱快速切换多个视频，出现黑屏、无声、播放状态异常页面销毁未释放播放器资源，导致后台持续发声、内存泄漏。
2026-08-29 13:33:36
483
原创 【Android UI开发】Android VideoView 使用介绍（一）
1.VideoView 是轻量视频播放最优原生方案，零依赖、上手简单，满足日常简单预览需求；等待 Prepared 就绪再播放、固定控件宽高、页面销毁强制释放资源、适配分区存储 Uri；3. 黑屏 99% 是时序错误 + 视频编码不兼容，本文代码已彻底修复；4. 简单相册视频播放选用本文原生方案，复杂播放器业务直接升级 Media3 ExoPlayer。
2026-08-28 15:13:22
382
原创 【Android车载学习笔记】第七天：DMA和QMEM介绍
本文深入解析高通SA8295智能驾驶系统中QMEM与DMA的底层原理及协作机制。DMA（直接内存访问）作为独立硬件控制器，能够实现外设与物理内存间的直接数据传输，显著降低CPU占用并提升传输效率，但其仅支持物理地址连续的内存块。PMEM（物理内存管理器）作为QNX平台的专用组件，负责分配DMA可识别的连续物理内存，并提供虚拟/物理地址转换、缓存同步及跨进程共享功能。文章详细对比了PMEM与普通malloc的区别，并通过QCarCam相机采集场景阐述了PMEM与DMA的完整协作流程。此外，针对Android座
2026-06-30 13:48:37
565
原创 【Android车载学习笔记】第六天：QCarCamera介绍
SA8295平台的QCarCamera（QCarCam）是高通车载AIS成像子系统的统一C语言API，用于读取GMSL摄像头图像。其核心特性包括跨高通SoC的通用上层API、板级绑定的底层资源，以及双系统（Android/QNX）支持。QCarCam的业务流程涵盖初始化、摄像头枚举、缓冲区配置、数据流启停及帧处理等关键步骤，需严格遵循API调用顺序以避免资源锁死。SA8295专属要点包括版本号匹配、硬件配置差异和多路摄像头支持。核心API提供生命周期管理、帧存取及辅助控制功能，示例代码演示了标准调用流程。头
2026-06-30 11:55:43
685
原创 【Android车载学习笔记】第五天：汽车轨迹线绘制算法
车载AVM动态倒车轨迹线绘制算法摘要 动态随动轨迹线是360全景环视（AVM）和倒车影像的核心辅助功能，通过实时预测车辆行驶轨迹降低剐蹭风险。本文从阿克曼转向运动学理论出发，详细解析了轨迹点生成的数学推导、坐标转换和图像渲染全流程，并对比了车载行业三种主流实现方案：实时几何计算、查表预计算和高阶平滑规划。文章还提供了完整的仿真代码，适合车载HMI和环视视觉开发人员参考。 核心内容： 行业背景：动态轨迹线通过实时更新转弯半径，精准匹配车辆转向姿态，已成为中高端AVM标准配置。 阿克曼模型：基于轴距、轮距和前轮
2026-06-24 13:33:51
654
原创 【android opencv学习笔记】Day 38: 双视图几何
本文介绍了双视图几何中的基础矩阵原理及其在OpenCV中的实现。基础矩阵描述了两幅图像间的几何关系，可将点映射到对极线，缩小特征匹配范围。文章详细解析了对极几何基础、基础矩阵的几何意义及求解方法（7点法和8点法），并提供了OpenCV核心API（如findFundamentalMat和computeCorrespondEpilines）的使用说明。最后，基于Android NDK和OpenCV，展示了从特征检测、匹配到基础矩阵计算与对极线绘制的完整工程实现，包括布局文件和代码示例。
2026-06-16 09:45:00
150
原创 【android opencv学习笔记】Day 37:相机标定原理
相机标定是建立三维世界与二维图像映射关系的关键技术，其核心原理基于针孔相机模型和镜头畸变校正。标定过程通过棋盘格图案检测角点，利用OpenCV函数求解相机内参矩阵（焦距、主点）和畸变系数（径向/切向）。主要API包括：findChessboardCorners检测角点、cornerSubPix优化精度、calibrateCamera计算参数、initUndistortRectifyMap生成映射表、remap实现图像校正。该技术可应用于三维重建、AR/VR、SLAM等领域，Android平台可通过NDK集成
2026-06-16 08:00:00
394
原创 【android opencv学习笔记】Day 36:检测兴趣点之FAST特征检测
FAST特征检测技术解析与Android实现 FAST（Features from Accelerated Segment Test）是一种高效的角点检测算法，通过局部像素强度对比快速识别特征点。其核心原理是：若某像素点周围连续圆弧上的像素灰度值与中心点差异显著（超过设定阈值），则判定为特征点。OpenCV提供FastFeatureDetector类实现该算法，支持阈值调节和非极大值抑制优化。本文还介绍了基于Android NDK的工程实现方案，包含图像处理流程、不同阈值效果对比及可视化展示，为移动端实时视
2026-06-15 09:00:00
71
原创 【surround-view-system-introduction学习笔记】day 2: 鱼眼相机标定
cap_thread.start() # 初始化帧缓冲区 buffer_manager = MultiBufferManager() buffer_manager.bind_thread(cap_thread, buffer_size=8) #### 核心组件说明 1. `CaptureThread` 关键参数： - `device_id`：相机设备号，默认 `0` 为系统主摄像头； - `flip_method`：图像翻转模式（0=不翻转，1=水平翻转，2=垂直翻转）； - `use_gst`：是否启用
2026-06-15 08:00:00
535
原创 【Andorid学习笔记】Android点击劫持(Tap-Jacking)
Android点击劫持（Tap-Jacking）攻防全解析 摘要： Android点击劫持利用系统悬浮窗权限和触摸事件透传机制，通过透明/半透明覆盖层诱导用户误触敏感操作。攻击分为完全遮挡和部分遮挡两种类型，核心依赖SYSTEM_ALERT_WINDOW权限。谷歌从Android 2.3起逐步升级防护，包括控件级过滤（filterTouchesWhenObscured）、悬浮窗权限管控（Android 6.0+）、系统级默认拦截（Android 12+），但低透明度悬浮窗和部分遮挡仍可绕过。本文详解攻击原理
2026-06-14 11:30:00
598
原创 【surround-view-system-introduction学习笔记】day 1: 项目介绍和目录结构
本文介绍了一个基于Python+OpenCV+PyQt5的车辆全景环视系统开源项目。该系统通过四路鱼眼摄像头采集图像，经过畸变校正、透视投影和图像拼接处理，生成360度鸟瞰视图。核心功能包括：相机标定（使用棋盘格标定板）、畸变校正（基于OpenCV鱼眼模型）、透视投影（单应性变换）、图像拼接（重叠区域渐变融合）以及亮度/色彩平衡。系统采用多线程架构实现实时处理，包含采集线程、处理线程和拼接线程。项目提供了完整的代码结构和文档，支持USB/CSI摄像头接入，可应用于自动驾驶和辅助驾驶领域。
2026-06-14 08:30:00
313
原创 【智能驾驶:视觉感知后处理 阅读笔记】Day6: 张正友标定法
本文介绍了相机标定的核心概念与两种主流方法： 相机标定核心：通过计算内参矩阵（焦距、主点）、畸变系数和外参矩阵，建立3D世界到2D图像的准确映射关系，为后续计算机视觉应用奠定基础。 张正友标定法： 使用已知尺寸的棋盘格标定板 通过多角度拍摄获取角点数据 利用3D-2D坐标对应关系求解相机参数 具有低成本、高精度的特点，支持径向和切向畸变校正 工业EoL标定： 应用于车载摄像头量产环节 在产线末端校正摄像头安装误差 确保每个摄像头的参数符合工艺标准 对自动驾驶等精度敏感场景至关重要 文末提供了Android平
2026-06-13 10:00:00
471
原创 【智能驾驶:视觉感知后处理 阅读笔记】Day 5:鱼眼内参标定模型介绍
本文系统介绍了鱼眼相机的五大主流投影模型及其应用场景。首先解释了标准针孔模型不适用于鱼眼镜头（FOV>120°）的原因，随后详细分析了KB模型（OpenCV原生支持）、MEI模型（SLAM标配）、UCM模型（手机AR常用）、EUCM模型（自动驾驶优选）和DS模型（高精度最新方案）的数学原理、参数配置及优缺点。通过对比表总结各模型的关键特性，最后给出选型建议：根据具体应用场景的FOV范围、精度需求和算力条件选择合适的模型，平衡性能与效率。文章指出鱼眼模型正朝着更高精度和更强通用性方向发展，为计算机视觉领域的研
2026-06-13 09:30:00
743
原创 【android opencv学习笔记】Day 35:检测兴趣点之Harris角点检测
Harris角点检测是一种经典的特征点检测方法，通过分析局部窗口内的灰度变化来识别角点。其核心原理是构建协方差矩阵M，通过特征值判断角点，并引入响应函数R避免直接计算特征值。OpenCV提供了cv::cornerHarris和cv::goodFeaturesToTrack等API实现该算法，后者可优化角点分布。文章还给出了基于Android NDK和OpenCV的完整工程实现，包括Harris响应图计算、非极大值抑制和角点可视化等功能。该算法具有旋转不变性和光照鲁棒性，广泛应用于图像匹配、目标跟踪等领域。
2026-06-12 09:00:00
259
原创 【android opencv学习笔记】Day 34: 直线检测之形状描述子
本文介绍了形状描述子在机器视觉与图像分析中的核心作用。形状描述子是一组定量描述物体轮廓几何特征的参数或结构，用于将连续轮廓转化为可计算的特征向量，实现形状区分与匹配。 文章详细解析了五种常用形状描述子： 边界框（Bounding Box）- 最小垂直矩形 最小外接圆（Minimum Enclosing Circle）- 最小包围圆 多边形逼近（Polygon Approximation）- 简化轮廓的多边形表示 凸包（Convex Hull）- 最小凸多边形 轮廓矩与重心（Contour Moments &
2026-06-12 08:00:00
318
原创 【android opencv学习笔记】Day 33: 直线检测之图像轮廓检测
摘要：图像轮廓检测技术解析与Android实现 本文系统介绍了图像轮廓检测技术及其在Android平台的实现方案。主要内容包括： 技术原理：轮廓是由连续边缘点构成的闭合曲线，检测基于二值图像处理，核心算法采用边界跟踪方法（如OpenCV的findContours函数），支持多种轮廓层次结构处理（RETR_EXTERNAL/RETR_TREE等）和近似方法（CHAIN_APPROX_SIMPLE等）。 OpenCV关键API： findContours实现轮廓提取 drawContours完成轮廓可视化 An
2026-06-11 09:00:00
85
原创 【智能驾驶:视觉感知后处理 阅读笔记】Day4: 相机成像模型与畸变
本文系统介绍了相机成像模型与畸变校正原理。首先解释针孔相机模型作为基础理论，通过小孔成像和相似三角形描述3D到2D的映射关系。然后分析真实相机的畸变类型，包括径向畸变（桶形/枕形）和切向畸变，并给出校正公式。针对特殊应用的鱼眼相机，详细对比了5种投影模型（透视、体视、等距、等积、正交）的特点及应用场景，指出车载鱼眼多采用计算简单的等距投影。最后强调相机标定的核心是获取内参矩阵和畸变系数，这是所有计算机视觉算法的重要前提。全文通过数学模型、对比表格和示意图，帮助读者理解从理想模型到真实成像的完整过程。
2026-06-11 07:15:00
959
原创 【智能驾驶:视觉感知后处理 阅读笔记】Day3: 数学基础之坐标变换
四个坐标系的顺序：世界坐标系 → 相机坐标系 → 图像坐标系 → 像素坐标系外参矩阵：描述相机在世界里的位置和朝向，相机动，它就变。内参矩阵：描述相机的光学属性，出厂就固定，标定后就不变。核心公式：世界点 → 外参 → 相机点 → 内参 → 像素点，整个过程就是矩阵乘法。搞懂了这个流程，再看相机标定、SLAM、自动驾驶里的坐标转换，就再也不会头大啦！
2026-06-10 08:45:00
567
原创 【智能驾驶:视觉感知后处理 阅读笔记】Day2: 数学基础之欧式变换、欧拉角和四元素
欧式变换是保持物体形状和大小不变的空间变换，仅改变位置和朝向，广泛应用于计算机视觉、机器人、3D建模等领域。其数学表达式为旋转矩阵与平移向量的组合，核心特性是保距和保角。欧拉角和四元数是描述三维旋转的两种主要方法：欧拉角直观但存在万向锁问题，而四元数虽抽象却能避免奇异性，更适合计算机处理。理解这些概念对游戏开发、自动驾驶、AI图像处理等至关重要。
2026-06-10 07:15:00
489
原创 【智能驾驶:视觉感知后处理 阅读笔记】Day1: 数学基础之向量积
本文系统介绍了向量积（叉乘）的概念、计算公式、几何意义和实际应用。向量积是三维空间中两个向量的运算，结果是一个垂直于原向量平面的新向量，其模长等于两向量构成的平行四边形面积。文章详细讲解了行列式计算法、右手定则判断方向的方法，以及向量积在物理学力矩计算、计算机图形学和工程测绘中的重要应用。通过与数量积（点乘）的对比，强调了两者的核心区别：叉乘结果是一个向量，用于求面积和法向量；点乘结果是一个标量，用于求夹角和投影。本文旨在帮助读者深入理解向量积的几何本质，避免常见误区。
2026-06-09 11:51:11
340
原创 【android opencv学习笔记】Day 32: 直线检测之点集直线拟合
文章摘要 本文介绍了点集直线拟合的核心原理与OpenCV实现方法。在霍夫变换检测直线后，通过边缘点集计算最优直线可实现亚像素级精度定位。核心方法包括：1）最小二乘法（L2距离），计算简单但对噪声敏感；2）M估计鲁棒拟合，通过加权迭代降低离群点影响。OpenCV提供cv::fitLine函数，支持L2、L1、Huber等距离类型，输出直线方向向量和坐标点。文中还给出了Android工程实现方案，包括布局文件设计、Kotlin调用JNI接口的完整流程，适用于车道线矫正、工业检测等场景。
2026-06-09 06:30:00
313
原创 【android opencv学习笔记】Day 32:直线检测之霍夫变换
本文介绍了霍夫变换在直线检测中的应用，通过OpenCV实现Android平台的线段检测功能。主要内容包括： 霍夫变换原理：通过极坐标参数化和投票机制检测直线，概率霍夫变换优化为线段检测。 OpenCV核心API：解析了HoughLines和HoughLinesP函数的使用方法及参数说明。 Android实现方案：提供了完整的工程实现细节，包括布局设计和功能模块划分，支持2048×2048图片处理。 项目提供可运行的源码，适用于学习、项目集成和技术分享，实现了从边缘检测到线段提取的可视化流程。
2026-06-08 20:23:21
384
原创 【android opencv学习笔记】Day 31:提取轮廓之Canny算法
本文介绍了Canny边缘检测算法的原理及Android实现。Canny算法通过高斯滤波降噪、Sobel梯度计算、非极大值抑制和双阈值筛选四个步骤，实现精准的边缘检测。OpenCV提供了简洁的Canny()函数，支持参数调节。文章详细展示了Android工程的实现过程，包括布局设计和Kotlin代码，开发者只需替换本地图片即可运行。该方案适用于图像处理、目标识别等场景，具有抗噪性强、边缘定位精准的特点。
2026-06-08 18:40:10
274
原创 【android opencv学习笔记】Day 30: 滤波算法之拉普拉斯算子
本文介绍了拉普拉斯算子(Laplacian)在边缘检测中的应用原理和实现方法。拉普拉斯算子是基于二阶导数的线性高通滤波器，通过检测图像亮度函数的过零点来定位边缘。文章详细讲解了拉普拉斯算子的数学本质、3×3卷积核设计，以及过零点检测原理，并分析了其对噪声敏感的特点。同时提供了OpenCV中的Laplacian函数API解析和Android平台的完整工程实现，包括布局文件和Kotlin代码。该方法能实现亚像素级别的边缘定位，但需结合高斯平滑(LoG)来提高抗噪性能。
2026-05-30 13:44:38
906
原创 【android opencv学习笔记】Day 29: 滤波算法之Sobel 边缘检测
原始图像：浅灰背景、标准几何轮廓 + 大量 6×6 白色块状噪点；中值滤波结果：块状白点完全消除，图像轮廓、边缘保留完好；均值滤波结果：白点仅被模糊淡化，无法彻底去除，整体画面严重虚化；Sobel X：矩形左右垂直边缘高亮，水平线条响应微弱；Sobel Y：水平直线高亮，垂直边缘响应微弱；融合边缘：图像所有轮廓完整提取，边缘清晰。大图滤波规则：2048×2048 高清图像需使用更大滤波核，小核肉眼无效果；块状白点噪声优先使用中值滤波；Sobel 强制约束：必须输入灰度图、输出深度设为。
2026-05-30 11:18:29
656
原创 【android opencv学习笔记】Day 28: 滤波算法之中值滤波器
中值滤波器是一种非线性去噪方法，特别适用于消除椒盐噪声。其核心原理是通过取邻域像素的中值替代当前像素值，能有效过滤极端噪声点而不模糊边缘。相比均值和高斯滤波，中值滤波在保留图像细节方面表现更优。OpenCV提供medianBlur()函数实现该功能，支持单通道或多通道图像处理。本文通过Android项目完整展示了中值滤波的实现过程，包括Java/Kotlin界面层和C++核心算法，并对比了不同滤波器的去噪效果。关键参数ksize需设为奇数，值越大去噪能力越强但细节损失也越多。中值滤波是图像处理中对抗椒盐噪声
2026-05-29 09:15:00
447
原创 【android opencv学习笔记】Day 27: 滤波算法之图像缩放与插值算法解析
本文全面解析图像缩放与插值算法原理，从底层反向坐标映射机制到四大常用插值算法（最近邻、双线性、双三次、Lanczos）的优缺点对比。重点指出图像缩小前必须进行高斯模糊以避免锯齿和混叠失真，并提供OpenCV核心API详解及Android平台完整实现代码。文章强调不同场景下的算法选型策略：日常缩放用双线性，高清放大用双三次，专业处理用Lanczos，低性能设备用最近邻。最后总结图像缩放的核心是"用周边真实像素数学计算生成虚拟像素"这一本质特征。
2026-05-29 08:45:00
701
原创 【android opencv学习笔记】Day 26: 滤波算法之低通滤波与图像缩放插值
本文系统介绍了低通滤波和图像缩放插值的原理与实现。低通滤波包括均值滤波和高斯滤波，用于图像平滑去噪；图像缩放涉及多种插值算法，影响输出质量。文章详细解析了OpenCV相关API，并提供了Android完整实现方案，包含布局文件和Kotlin代码，帮助开发者掌握这些基础图像处理技术的工程应用。
2026-05-28 14:23:28
557
原创 【android opencv学习笔记】Day 25: GrabCut 前景提取
摘要： GrabCut是OpenCV中基于图割算法的交互式前景提取工具，通过用户标记（矩形框或掩码）实现精准抠图。其核心原理包括颜色建模（高斯混合模型）、图割优化和迭代更新，通过最小化能量函数分割前景。OpenCV提供grabCut()函数，支持矩形框或掩码初始化，输出前景掩码。Android实现需结合JNI调用C++底层算法，完成图像加载、GrabCut处理及结果显示。项目包含布局文件、Kotlin界面逻辑及C++核心算法，通过bitmapToMat/matToBitmap转换实现Android与Open
2026-05-28 11:08:49
497
原创 【android opencv学习笔记】Day 24: 最大稳定极值区域
MSER（最大稳定极值区域）是一种基于"洪水淹没"思想的图像特征提取算法，通过检测图像中亮度稳定的连通区域实现特征提取。该算法将图像视为地形图，通过逐步改变像素阈值来识别面积变化率最小的稳定区域，具有对光照和视角变化的鲁棒性。OpenCV提供了MSER检测器类及相关API，支持参数调节和结果可视化。本文通过Android项目完整实现了MSER特征提取，包含Kotlin界面层和C++核心算法，可输出区域点集和椭圆轮廓两种可视化结果，适用于文本检测、目标识别等场景。
2026-05-27 20:47:13
600
原创 【android opencv学习笔记】Day 23: 分水岭图像分割
分水岭图像分割算法摘要 分水岭算法通过模拟洪水淹没过程实现图像分割，将图像像素值视为地形高度，寻找区域间的分水岭线。原始算法易受噪声干扰导致过度分割，改进方法通过用户预标记（前景/背景）引导分割过程，避免无效分割。OpenCV提供watershed()函数实现标记引导的分水岭分割，输入为彩色图像和标记矩阵，输出为带分割边界的结果。Android实现需结合JNI调用OpenCV库，完成图像预处理、标记生成及分水岭计算，最终通过Bitmap显示原图、标记图和分割结果。该算法适用于复杂场景下的物体分割，但依赖准确
2026-05-27 20:27:02
575
原创 【android opencv学习笔记】Day 22: 形态学边缘检测与角点检测
本文介绍了基于形态学的边缘检测和角点检测方法。形态学梯度通过膨胀与腐蚀图像的差值提取边缘，而角点检测则利用不同结构元素对图像进行开闭运算，通过结果差异定位角点。文章详细解析了OpenCV相关API，并提供了完整的Android实现方案，包括布局文件、Kotlin上层代码和C++核心算法。该方法能有效提取图像中的边缘和角点特征，适用于计算机视觉领域的特征检测任务。
2026-05-23 08:30:00
475
原创 【android opencv学习笔记】Day 21: 形态学开运算与闭运算
本文详细介绍了形态学开运算与闭运算的原理及应用。开运算是先腐蚀后膨胀的组合操作，主要用于消除背景噪声和平滑边缘；闭运算是先膨胀后腐蚀的组合操作，用于填充孔洞和连接断裂目标。文章对比了两者的核心作用与适用场景，并解析了OpenCV中的morphologyEx函数实现方法。最后提供了一个完整的Android项目实现，包括布局文件和Kotlin代码，展示了如何通过JNI接口调用C++算法进行图像处理。这些形态学操作在文本识别、工业质检等场景中具有重要应用价值。
2026-05-22 14:10:09
712
原创 【android opencv学习笔记】Day 20: 形态学滤波的腐蚀与膨胀
本文是Android OpenCV学习笔记的第一天内容，主要介绍了Switch类的使用。通过两张示例图片展示了Switch控件的界面效果，帮助开发者快速了解该组件的基本功能和样式。笔记内容简洁明了，适合OpenCV初学者参考学习，为后续的Android图像处理开发打下基础。
2026-05-22 13:53:13
516
原创 【C++学习笔记】新特性之inline变量
本文深入解析了C++中inline关键字的核心作用与工程实践。文章指出，现代C++17中inline的核心价值已从性能优化转向解决多文件重复定义问题，并新增了inline变量特性。主要内容包括：1) 内联函数原理与特性，强调其必须定义在头文件、支持多文件包含等关键点；2) C++17引入的inline变量特性，解决了传统全局变量定义繁琐的问题；3) 提供了完整的Android NDK实战示例，展示inline在Native开发中的实际应用；4) 总结了常见误区与最佳实践。文章指出，inline体系是C++现
2026-05-21 09:30:00
813
原创 【android opencv学习笔记】Day 19: 积分图像（Integral Image）
积分图像是一种高效的计算机视觉算法，可将矩形区域像素和的计算复杂度从O(N)降至O(1)。本文基于Android Kotlin和C++/OpenCV实现了积分图像的两大核心应用：自适应阈值化和快速目标检测。自适应阈值化通过局部区域平均值动态调整阈值，解决光照不均问题；目标检测则利用积分图像加速直方图计算，实现高效定位。文章详细介绍了积分图像的计算原理，并提供了完整的项目代码实现，包括布局文件、Kotlin上层代码和C++核心算法。该技术可广泛应用于图像处理和目标检测领域。
2026-05-21 09:00:00
793
原创 【android opencv学习笔记】Day 18: 相似图像检索（CBIR）
本文实现了一个基于直方图的相似图像检索系统，采用Android Kotlin+C++/OpenCV技术栈。系统通过计算BGR三通道颜色直方图作为图像特征，使用OpenCV的compareHist函数进行相似度比对，最终按相似度排序展示匹配结果。项目包含完整的布局文件、Kotlin界面逻辑和C++核心算法实现，无需深度学习依赖，具有轻量高效的特点。关键技术包括颜色直方图特征提取、多种相似度计算方法选择（交叉法/相关系数法等），适用于颜色分布差异明显的图像检索场景。
2026-05-20 09:00:00
694
原创 【Android车载学习笔记】第四天：AAOS系统架构
AAOS系统架构深度解析：车载安卓与手机安卓的本质差异 AAOS（Android Automotive OS）是针对汽车场景深度定制的操作系统，其架构设计围绕车规级稳定性和整车安全展开。与手机安卓追求娱乐体验不同，AAOS进行了全方位重构： 内核层：基于Linux深度优化，强化车载工况适配 HAL层：新增Vehicle HAL实现整车硬件通信 系统层：精简冗余功能，强化实时数据处理能力 服务层：构建CarService集群，确保核心服务常驻 应用层：完全独立生态，遵循严格的车载交互规范 AAOS通过五层架构
2026-05-20 08:30:00
894
原创 【Android车载学习笔记】第三天：AAOS发展历
摘要： AAOS（Android Automotive OS）是Google专为车载场景打造的开源操作系统，解决了传统车机系统封闭、生态贫瘠及手机映射方案的局限性。其发展历经2017年官宣、2019年商用落地、2021年生态爆发等关键节点，聚焦车规级稳定性与整车适配。AAOS生态由Google主导，车企定制开发，开发者赋能应用，形成标准化闭环，显著降低研发成本。目前全球主流车企已广泛采用AAOS，推动智能座舱向统一化发展。未来，AAOS将持续优化AI交互与整车协同能力，成为车载系统的核心解决方案。
2026-05-19 09:00:00
610
原创 【android opencv学习笔记】Day 17: 目标追踪（MeanShift）
本文介绍了基于均值漂移（MeanShift）算法的目标追踪实现方法。该算法通过HSV色调直方图提取目标特征，利用直方图反向投影生成概率图，并通过MeanShift迭代搜索锁定目标位置。文章详细解析了算法原理，包括HSV色彩空间选择、色调直方图特征提取、反向投影计算和MeanShift迭代过程。同时提供了完整的Android实现代码，包含Kotlin界面层和C++核心算法，实现了从样本学习到目标追踪的完整流程。该方法具有无需训练、轻量高效的特点，适用于移动端人脸、物体等实时追踪场景。
2026-05-19 08:30:00
935
Android SurfaceView+OpenGL ES 3.0 kotlin版本实现绘制彩色三角形源码
2025-10-16
snmpwalk的timeout问题
2016-07-28
TA创建的收藏夹 TA关注的收藏夹
TA关注的人