视讯稳定的日志

本文详细阐述了视讯稳定处理的流程,包括光流计算、累加与平均操作,以及最终的转换矩阵求解。讨论了将程序应用于视频实时处理时遇到的限制与bug排查过程,特别关注了vector与deque的区别及其在实际应用中的影响。同时,深入探讨了OpenCV中IplImage图像与BYTE图像数据之间的转换技巧,包括cvCreateImageHeader与cvCreateImage的区别,以及如何实现数据的高效转换。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这两天在调视讯稳定的code。

说说整个的流程吧,有个总体的思路才好理清楚。

视讯稳定的code 是W老师给的,不是很熟悉,只是知道开始计算 光流,后面计算累加 在后面就是几帧的平均

最后就是 求一个转换矩阵吧。

程序最早就可以用 是直接输入一个视频 可以输出处理之后的图片。

然后我可以把处理之后的图片写在一个文件夹下

1. 首先是把这个程序变成处理完前面的三个步骤,然后把最后一个一步 处理一个图片 显示一个图片 看上去像处理的实时的。实际上不是。

2. 把视频改成一帧一帧处理的,对于视频来说,从第二帧开始一帧处理一个。我打印出来的时候发现输出的内容不对,开始一直以为是vector 里面读取的数据不对,想改掉这个bug 但是没有成功。

昨天晚上码神 查出来bug 的原因是 因为maxframe 的原因,对于一个视频,maxframe 是固定的,vextor 是一个递增的分配内存的这么一个东西,来一帧分配一片内存,vector 的size 一般会比maxframe 的小。

限定条件除了问题。另外的一个问题是 之前是i+j 我后面改成k+j 但是之前的i+j 的i 是从0 开始,所以应该改为看k-1

+j  索性把k=1 改成k=0  好像我之前尝试过把k=1 变成k=0 但是报错,就没有改这个问题(拖延症)。

3. 第三个就是框架的问题,我是一直没想清楚这个事该怎么干。

 CY 是这么干的,因为输入的 BYTE  然后 BYTE  可以转换成Ipimage 类型的 然后转成mat 类型的。

Ipimage *img=cvCreateImageHeader(cvSize(inWidth,inHeight),IPL_DEPTH_8U,3);

img->imageData=inputImg

把char型的inputImg 转成 Ipimage, Ipimage  转 Mat  Mat  cur(img)

Mat- Ipimage-> BYTE

Ipimage *src_resize=cvCreateImageHeader(size,IPL_DEPTH_8U,3);

src_resize->imageData=outputImg;

// 在网上找到的答案:

OpenCV中IplImage图像格式与BYTE图像数据的转换

IplImage* iplImage;

BYTE* data;

1 由IplImage*得到BYTE*图像数据:

data = iplImage->imageDataOrigin; //未对齐的原始图像数据

或者

data = iplImage->imageData; //已对齐的图像数据

2 由BYTE*得到IplImage*图像数据

iplImage = cvCreateImageHeader(cvSize(width,height),depth,channels);

cvSetData(iplImage,data,step);

// 转载自这个博客:

http://blog.youkuaiyun.com/scudz/article/details/8083866 里面讲的比较清楚

但是我还是没有弄明白 :cvCreateImageHeader  与之前的cvCreateImage 的区别在哪里:

vector 跟deque  的区别在哪里

vector 是一直自增的一个向量,当视频实时处理时, 会一直自增。会溢出而死/

deque 是一个循环队列(?),但是我可以设置长度,比如deque.size() 的尺寸大于一个数时,我们就把前面的数据pop掉。逻辑关系是 deque.pop_front()  然后在deque.push_back()  这样

想清楚了 心灵就自由



内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参数不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。
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