NYOJ 247 虚拟城市之旅(强连通缩点)

本文介绍了一种解决虚拟城市之旅问题的方法——强连通缩点算法,并提供了详细的实现步骤及代码示例。该算法首先通过深度优先搜索确定图中的强连通分量,然后将这些分量压缩为单个节点进行后续处理。

原文:http://blog.acmj1991.com/?p=632

题意:nyoj 247 虚拟城市之旅
思路:强连通缩点

#include <iostream>
#include <stdio.h>
#include <string.h>
#include <queue>
using namespace std;
#define maxN 100100
#define maxM 1000100
struct point{
    int v,cow,next;
}po[maxM],map[maxM];
int num,N,head[maxN],key[maxN],head1[maxN];
int s,t,top,res,inde,stack[maxN],dfn[maxN],low[maxN],id[maxN],vis[maxN],max_pre[maxN],min_pre[maxN];
void add(int u,int v)
{
    po[num].v=v;
    po[num].next=head[u];
    head[u]=num++;
}
void init()
{
    memset(head,-1,sizeof(head));
    memset(head1,-1,sizeof(head1));
    memset(id,0,sizeof(id));
    memset(vis,0,sizeof(vis));
    memset(low,0,sizeof(low));
    memset(dfn,0,sizeof(dfn));
    top=res=num=0;
    inde=1;
}
void dfs(int u)
{
    int v;
    low[u]=dfn[u]=inde++;
    stack[++top]=u;
    vis[u]=1;
    for(int i=head[u];i!=-1;i=po[i].next){
        v=po[i].v;
        if(!dfn[v]){
            dfs(v);
            low[u]=min(low[u],low[v]);
        }else if(vis[v]&&dfn[v]<low[u])
            low[u]=dfn[v];
    }
    if(low[u]==dfn[u])
    {
        int max_p=0,min_p=1110;
        res++;
        do{
            v=stack[top--];
            if(v==1)s=res;
            if(v==N)t=res;
            id[v]=res;
            vis[v]=0;
            max_p=max(max_p,key[v]);
            min_p=min(min_p,key[v]);
        }while(v!=u);
        max_pre[res]=max_p;
        min_pre[res]=min_p;
    }
}
void tarjan()
{
    for(int i=1;i<=N;i++)
        if(!dfn[i])
            dfs(i);
}
void solve()
{
    tarjan();num=0;
    for(int j=1;j<=N;j++)
        for(int i=head[j];i!=-1;i=po[i].next)
            if(id[j]!=id[po[i].v]){
                map[num].v=id[po[i].v];
                map[num].next=head1[id[j]];
                head1[id[j]]=num++;
            }
 
    queue<int>q;
    q.push(s);
    int minn=1000;
    memset(key,0,sizeof(key));
    while(!q.empty()){
        int u=q.front();q.pop();
        if(u==t)break;
        for(int i=head1[u];i!=-1;i=map[i].next){
            int v=map[i].v;
            min_pre[v]=min(min_pre[v],min_pre[u]);
            key[v]=max(key[u],max_pre[v]-min_pre[v]);
            q.push(v);
        }
    }
    printf("%d\n",key[t]);
}
int main()
{
    int n,m,u,v,d;
    while(~scanf("%d%d",&N,&m)){
        init();
        memset(head,-1,sizeof(head));
        for(int i=1;i<=N;i++)scanf("%d",&key[i]);
        while(m--){
            scanf("%d%d%d",&u,&v,&d);
            if(d==1)add(u,v);
            else{
                add(u,v);
                add(v,u);
            }
        }
        solve();
    }
    return 0;
}


本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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