weixin_44623637的博客

题目：给定一个字符串，求子序列 “cwbc” 出现的次数思路：动态规划令 dp[i][j] 表示前 i 个字符中匹配了字符串 “cwbc” 中前 j 位（j = 1,2,3,4）的个数。转移方程：dp[i][1] = ( dp[i - 1][1] + ( s[i] == ‘c’ )) % Moddp[i][2] = ( dp[i - 1][2] + ( s[i] == ‘w’ ) * dp[i - 1][1] ) % Moddp[i][3] = ( dp[i - 1][3] + ( s[i] =

题目：统计一个字符串中全部不同的子序列的个数思路：动态规划求解令 f[i] = 前 i 个元素中包含的全部子序列的个数那么状态转移方程分为下面两种情况：当第 i 个元素在前面 i - 1 个字符中没有出现时， f[i] = f[i - 1] + f[i - 1] + 1。可以看出 f[i] 分为了三个部分，其中第一个 f[i - 1] 表示前面 i - 1 长度的字符串包含的子序列个数，第二个 f[i - 1] 表示在前面 i - 1 长度的字符串后面添加第 i 个字符，第三个 1 表示第 i 个

一、2个数的最大公约数// 辗转相除法int gcd(int a, int b){ if (b == 0) return a; return gcd(b, a % b);}// 也可以直接用STL： __gcd(a, b);二、2个数的最小公倍数int lcm(int a, int b){ int t = gcd(a, b); return a / t * b;}// (a * b) / gcd 也可以，但是a / gcd * b 是为了防止爆longlong证明：  假

编译Darkent_ROS方法一：（推荐）直接clone，记得加–recurse-submodules，防止文件缺失cd ~/catkin_ws/srcgit clone --recurse-submodules https://gitee.com/robin_shaun/darknet_ros_yolov4.git下载完成后，将darknet_ros_yolov4文件改名darknet_ros_yolov4，我也不知道为什么，不修改的话会报错。然后编译：catkin_make -DCMA

因为经常重装系统，且每次重新装系统都要重新安装opencv，因此在此记录一下整个过程，这样以后就不用再去找安装教程了。下载opencvhttps://github.com/opencv/opencv 进入克隆下来的opencv目录，切换版本到一个较高版本——此处使用版本号3.4.0：git checkout 3.4.0下载opencv_contribhttps://github.com/opencv/opencv_contrib注意，对于opencv和opencv_contrib都需要切

Melodic自带的Gazebo版本过低，建议升级。Gazebo安装见gazebo官网,需注意以下四点。删除gazebo9以及相关插件选用Alternative installation: step-by-step的安装方式，安装最新的gazebo11如果安装有依赖问题，可以使用sudo aptitude install gazebo9，选择合理的依赖解决办法（别把ROS删了）Gazebo本身是独立于ROS的,因此在单独安装了gazebo后还需要安装ROS的Gazebo插件整体流程：首

vins_mono总框架如下：主要分为三大块：我们先从主函数(main)入手：主函数中有三个线程，读取完数据集和配置文件的路径后就会进入这三个线程，如下图：thd_BackEnd线程：thd_PubImuData线程：从MH_05_imu0.txt文件中获取imu信息，并检查imu数据是否乱序（根据时间戳），最后将imu装进队列imu_buf中并发布。thd_PubImageData线程：从MH_05_cam0.txt文件中获取image信息，并检查image数据是否乱序，再对图像进行特征

请允许我厚着脸皮沾上三个博客教程，还设为原创…TexLive&VSCode安装配置教程VSCode中使用LaTex的配置VScode + LaTex + TexLive 搭建

引言（吐槽可略过）：Ubuntu是应用广泛的Linux操作系统，特别是在机器学习应用中，通过调用NVIDIA显卡的GPU进行计算和研究的主要平台之一。但是由于NV显卡的存在，有可能会让Ubuntu在驱动加载上问题，造成开机启动无法进入系统。一开是我以为是电脑的问题，然后各种询问商家，后来一想，能不能是镜像的问题，然后去官网下载IOS，安装好后重启了几次，没什么问题。几天后，发现又启动不了了。然后才想到是不是Ubuntu本身的问题，然后google、baidu后，发现是显卡的问题。一、问题表现进入Ubu

Ubuntu18.04镜像

一、群1.1 群的定义群（Group）是一种集合加上一种运算的代数结构。把集合记作A，运算记作 · ，那么群可以记作G = （A，· ），群要求这个运算满足如下条件（封结幺逆——凤姐咬你）：封闭性：∀a1,a2 ∈ A, a1 ·a2 ∈ A.结合律： ∀a1,a2,a3 ∈ A, (a1 ·a2)·a3 = a1 ·(a2 ·a3).幺元：∃a0 ∈ A, s.t. ∀a ∈ A, a0 ·a = a·a0 = a.逆：∀a ∈ A, ∃a−1 ∈ A, s.t. a·a−1 = a0..

让我们带着疑问来开启三维空间刚体运动的学习吧！为什么要学习三位刚体运动？三维刚体运动描述的是什么呢？我们研究的机器人的位姿是需要利用三维刚体运动（假设为刚体）的规律来求解。那什么是位姿呢？就是指当前机器人坐标系相对世界坐标系的旋转与位移。为什么是旋转与位移呢？自己脑补去 = =以下涉及的是旋转有关的知识。因为平移操作在数学上就相当于在对坐标系旋转后加上了一个平移向量(列向量)。一、旋转矩阵1.1坐标系间的欧式变换设某个正交基(e1,e2,e3) 经过一次旋转变成了(e’1,e’2,e’3

一、旋转向量1.0 初始化旋转向量：旋转角为alpha，旋转轴为(x,y,z)Eigen::AngleAxisd rotation_vector(alpha,Vector3d(x,y,z))1.1 旋转向量转旋转矩阵Eigen::Matrix3d rotation_matrix;rotation_matrix=rotation_vector.matrix();Eigen::Matrix3d rotation_matrix;rotation_matrix=rotation_vector.toRota

在slam的前端中有两大主流算法，根据是否提取特征点，分为直接法和非直接法。那本文章就带大家领略一下优秀的非直接法叭 wink~我们将分为三部分进行讲解，分别为 特征提取、特征匹配、位姿估计算法设计1.1 特征提取...

前言OpenCV 3.3正式发布后，对深度学习（dnn模块）提供了更好的支持，dnn模块目前支持Caffe、TensorFlow、Torch、PyTorch等深度学习框架。另外，新版本中使用预训练深度学习模型的API同时兼容C++和Python，让系列操作变得非常简便从硬盘加载模型；对输入图像进行预处理；将图像输入网络，获取输出的分类。当然，我们不能、也不该用OpenCV训练深度学...

使用Opencv实现张正友法相机标定之前，有几个问题事先要确认一下，那就是相机为什么需要标定，标定需要的输入和输出分别是哪些？相机标定的目的：获取摄像机的内参和外参矩阵（同时也会得到每一幅标定图像的选择和平移矩阵），内参和外参系数可以对之后相机拍摄的图像就进行矫正，得到畸变相对很小的图像。相机标定的输入：标定图像上所有内角点的图像坐标，标定板图像上所有内角点的空间三维坐标（一般情况下假定图像位...

一、前言最近在做零件的尺寸测量，由于精度要求，所以需要用到相机标定来消除畸变误差。网上查找了很多资料，看了好多二、摄像机模型这部分是介绍相机模型的，比较劝退，我们后续用到的模型是针孔摄像机，因此大家知道针孔摄像机成像原理就行。为了标定摄像机，我们有必要建立一个模型，该模型由摄像机、镜头和图像采集卡组成，这个模型可以将世界坐标系中三维空间点投影到二维图像中。再机器视觉应用中常用的有两种不同...

刚性变换：只有物体的位置(平移变换)和朝向(旋转变换)发生改变，而形状不变，得到的变换称为刚性变换。下面分别从等距变换，相似变换，仿射变换，射影变换几个部分分别介绍：1、等距变换（欧式变换）它相当于是平移变换（t）和旋转变换（R）的复合，等距变换前后长度，面积，线线之间的角度都不变。自由度 6 (3+3)2、相似变换等距变换和均匀缩放（S）的一个复合，类似相似三角形，体积比不变。自...

一，概念篇1，动态规划：通过计算出小问题的最优解，可以推出大问题的最优解，从而可以推出更大问题的最优解，最小问题即是边界情况。2，子问题（小问题）：子问题是一个与原问题有着类似的结构，但规模比原问题小的问题。3，最优子结构:动态规划的问题一般是求解全局最优解，而全局最优解是由局部的最有解一步一步推出，局部的最优解称为最优子结构。4，动态规划的基本思想：将待求解的问题划分为若干个阶段（子问题...

这几天在做有关dp的题，看到一个石子合并的问题，本来以为是个贪心，后来仔细一想压根不是贪心。贪心算法的思路是每次都取最大的，然而石子合并问题有个限制条件就是每次只能取相邻的，这就决定了它不是个贪心…我们接下来会先直接上区间DP的模板，然后结合石子合并这道经典例题来讲解。一、区间DP区间dp其实就是一种建立在线性结构上的对区间的动态规划。主要的方法有两种，记忆化搜索和递推。区间dp，顾名思义...