日记——12.2

递归实现斐波那契数列与算法优化思考
博客探讨了使用递归方法实现斐波那契数列遇到的问题,包括效率和内存占用。作者在尝试解决大数运算和超时问题时,提出了寻找数列中特定倍数的数字规律,并建议利用数学方法优化。文章强调了在面对大规模计算时,需要考虑算法的效率和适用性。

写了(看起来不一般的)斐波那契数列

很有意思

打印这种,还要用递归。

原本是没有思路的,然后看了一下csdn里的递归权限权限问题就不截图了(明想法,找结束,寻关系)找到一个靠近结束的递推,然后根据理解我写反了

代码就这样。。。 

那我就想从a[0] 开始输出,所以想引入一个q 让q = 0,然后加2。

我感觉能对,但是吧,我不知道把q = 0 ,定义在哪里,会使每次主函数调用为0,而在调用自身时不归零。

 

 可得到。

还有一个数数字,真神奇啊,但想不到就会硬来

 如果n小真的就简单了,但当n到达1e9,开数组就不能到这么大,直接遍历就会超时。

只能换个思路了

1——>10  里有5个2的倍数,有3个3的倍数,有2个5的倍数。明显了。

2的个数 =  10/2;

3的个数 = 10/3;

5的个数 = 10/5;

但是一定有重复;

建议数学venn图观看。

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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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