里面有代码和数据集 I = imread('coins.png'); % 可将第3行中的不同文件带入，注意必须采用单引号 if size(I,3) > 1 I = rgb2gray(I); end I = imbinarize(I); % Example I : how to execute Freeman_chain_code [bound_img,X0,Code,bound_coord,invert_img] = Freeman_chain_code(I,true); % Example II : how to rebuild the boundary image from the boundary coordinates vector bound_img2 = zeros(size(I)); for k = 1:numel(bound_coord)

我看了网上很多的教程，不过一直僵持了很久都没能成功，今天偶然成功了，分享一下成功的经验。因为网上很多都是Ubuntu和树莓派系统的SSH搭建，也为使用TurtleBot的机器人爱好者一个成功的案例吧。 相信大家都做过不少尝试了，之前发布过TurtleBot3-Burger+Ubuntu18.04+Melodic ROS 安装记录，我是通过HDMI线连接的显示屏做的树莓派的配置。 首先要确定PC端和树莓派都安装了ssh，指令是这样的： sudo apt-get install ssh 我还用了： sudo apt install openssh-server 不过我不太清楚这两个命令间区别在

目的： 1、解决直线段深度测量数据的偏差不准确的问题； 2、也可以将面测量数据转换成线，处理后再转换成面数据。 优势： 1、直线拟合比平均值比较的方式更能得到真实的偏差数据； 2、重复多次拟合后直线斜率更加准确； 3、通过设定数据剔除的阈值和剔除次数可以得到较好的数据处理效果 ———————————————— 版权声明：本文为CSDN博主「weitingfu」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/weitingfu/article/details/126292639

基于vue前端项目开发的电商购物系统，主要包括商品的列表、商品的详细页、加入购车、注册、用户登录用户等基本的功能。适合于课程设计，该项目的开发没有用到MYSQL数据库，通过模拟数据进行读取，数据呈现到前端。 ## install + 安装依赖: `npm install` + 启动项目: `npm run dev` > 运行环境: [node v9.11.1](https://nodejs.org/zh-cn/download/ 'Node.js') *npm 5.6.0* ## 需求分析 1. 登录页面、商品列表页（网站首页）、购物车页（实现结算）、商品详情页 2. 可按颜色、品牌对商品进行筛选，单击选中，再次点击取消 3. 根据价格进行升序降序、销量降序排列 4. 商品列表显示图片、名称、销量、颜色、单价 5. 实时显示购物车数量（商品类别数） 6. 购物车页面实现商品总价、总数进行结算，优惠券打折

c++通过Winhttp简单实现GET/POS访问读取网页源码，不需要依赖特殊类库，使用简单方便。

通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推

通过LVS+Keepalived搭建高可用的负载均衡集群系统

Windows系统快速启动栏经常无故消失，通过注册表备份您的快速启动栏设置，以备以后，快速恢复显示快速启动栏。压缩包中已有，可以直接使用，或打开压缩包，直接以管理员权限执行 快速启动栏一键开启.CMD

单眼视觉测程 具有4个组成部分的单眼视觉里程表（VO）：初始化，跟踪，局部地图和束调整。 阅读《灌篮高手》后，我做了这个项目。 这也是我于2019年3月在NWU开设的EESC-432 Advanced Computer Vision课程的最终项目。 演示： 在上图中： 左侧是视频和检测到的关键点。 右侧是与左侧视频相对应的摄像机轨迹：白线来自VO；白线来自VO。 绿线是事实。 白线上的红色标记是关键帧。 点是地图点，其中红色的点是新三角剖分的。 您可以在此处下载。 报告 我的pdf版本课程报告在。 与本自述文件相比，它对算法的描述更为清晰，因此我建议阅读。 目录 1.算法 通过以下过程/算法来实现此VO： 1.1。 初始化 估计相对相机姿势： 给定视频，将第一帧（图像）设置为参考，并与第二帧进行特征匹配。 计算两个帧之间的基本矩阵（E）和单应矩阵（H）。 用的方法计算它们的对称传递误差，然后选择更好的一个（即，如果H /（E + H）> 0.45，则选择H）。 将E或H分解为两个帧之间的相对姿势，即旋转（R）和平移（t）。 通过使用OpenCV，E给出1个结果，H给出2个结果，满

rubys_2d_adventure：通过在Unity Learn平台上遵循Ruby的2D Adventure学习Unity