[2014年中总结-寒假]TGB之旅

本文总结了作者在金创中博工作SSH项目、ITOO1.0考试系统开发及ITOO2.0考试系统组长期间的核心经历。通过具体项目实践,作者在沟通交流、文档撰写、抗压能力及技术应用等方面获得了显著提升。文章详细描述了项目实施过程中的关键步骤,如需求分析、原型设计、功能实现等,并特别强调了团队合作的重要性。

又到了一个寒假的结束,先来说说这半年的工作情况:

9.03-11:07:金创中博工作SSH项目

11.10-01.27:参与ITOO1.0考试系统开发

01.28-02.16:担任ITOO2.0考试系统组长


9.03-11:07:金创中博工作SSH项目

    这两个月的工作项目是《社保欠费查询系统》,从需求->开发,均是由个人独自完成。    工作的过程中收获了很多,而这些是你在大学期间无论如何也学习不到的!

    1、沟通交流!与客户的业务沟通、与领导的汇报沟通,都是极其重要的。

    2、写文档!最基本的要求:通俗易懂、排版整齐。这充分体现了一个人的表达能力和工作认真的态度。

    3、抗压能力!是工作!并非学习!首先以完成任务为目标,先实践后理解,未尝不是一种获得知识的手段。

    4、技术方面,这是最次要的!只要踏踏实实的跟下来,肯定是能学会的

    最后,非常感谢并肩作战的伙伴们:康立贤张文康 。跟你们学会了很多,学会了如何思考问题、学会了如何排错、学会了很多的技术。

    关于"社保欠费查询系统"的项目总结,详细请参见《工作总结6.月末总结》


11.10-01.27:参与ITOO1.0考试系统开发

    去年寒假的时候就开始做考试系统的维护,没想到今年又栽到了考试的手里!拿到这就是宿命?!

    从:需求-->原型->实体设计-->功能实现。跟着陈方林组长的步伐,一步步走来。毕竟组长曾经做到.NET版的考试,所以对于考试的业务是非常了解的。所以在后期,原型设计、数据库设计,方面付出的功劳是最大的。

    可是来,正因为我对当初的设计不了解,所以才没有禁锢我的想象力,因此在原型设计的时候更多的加入了自己的理解。而考虑不周全的一点就是:单单只是做设计,而没有想到实现的问题。

    由于ITOO主要采用:Spring+EJB+JPA。所以开发前的培训是必不可少的。

    项目的开发过程中,遇到了很多的BUG。从无厘头的瞎调试,到理性的思考分析,少不了组员之间的项目帮助。在这里同样感谢你们的陪伴。

    

01.28-02.16:担任ITOO2.0考试系统组长

    考试系统的2.0由我来担任组长,自知资历尚浅,所以常常向老组长请教。

    新组员的加入让我的有限精力,主要集中在:各种前期培训(需求+实体设计+框架)+项目进度管理。大大缩短了开发的时间。

    当然,组内免不了会有些懈怠情绪、抵触情绪、激烈的争论....而我工作的中心,也渐渐侧重于:安抚民心。因为比起项目的终结,团队内部的齐心协力、积极乐观的态度才是最为重要的。

    所以说,技术的学习是最为简单的,而恰切是人与人之间的相处的态度才是你永远都学不会的!只有你身在其职,才会慢慢领悟。

    在职期间,有组内人员共同完成了《需求文档》《实体设计》《操作手册》《接口》《项目总结》等文档的修订。

    最后说一句真心话:虽然总是被考试系统"坑",但是还是希望能在我们9期画上一个完美的句号。

    关于“考试系统”的项目总结,请参见:《[JAVA考试系统]项目总结》

           

总结:

    这半年来的主要精力集中在:项目实战。

    任何项目都是始于已有知识了解的基础之上。虽然项目开始前的新手培训,让我们多少有一点码农的感觉,但是毕竟我们有了3年的开发经验,所以无论是上手速度,还是知识的了解和掌握,都有着较之常人明显的优势。

    更何况,码农是每个程序员必经的过程。在开发简单代码的同时,也需要思考为什么底层封装的如此之妙?以至于我们只需要开发简单的几行代码,就可以完成如此复杂的功能?切莫局限于此、止步于此。

    



### 光流法C++源代码解析与应用 #### 光流法原理 光流法是一种在计算机视觉领域中用于追踪视频序列中运动物体的方法。它基于亮度不变性假设,即场景中的点在时间上保持相同的灰度值,从而通过分析连续帧之间的像素变化来估计运动方向和速度。在数学上,光流场可以表示为像素位置和时间的一阶导数,即Ex、Ey(空间梯度)和Et(时间梯度),它们共同构成光流方程的基础。 #### C++实现细节 在给定的C++源代码片段中,`calculate`函数负责计算光流场。该函数接收一个图像缓冲区`buf`作为输入,并初始化了几个关键变量:`Ex`、`Ey`和`Et`分别代表沿x轴、y轴和时间轴的像素强度变化;`gray1`和`gray2`用于存储当前帧和前一帧的平均灰度值;`u`则表示计算出的光流矢量大小。 #### 图像处理流程 1. **初始化和预处理**:`memset`函数被用来清零`opticalflow`数组,它将保存计算出的光流数据。同时,`output`数组被填充为白色,这通常用于可视化结果。 2. **灰度计算**:对每一像素点进行处理,计算其灰度值。这里采用的是RGB通道平均值的计算方法,将每个像素的R、G、B值相加后除以3,得到一个近似灰度值。此步骤确保了计算过程的鲁棒性和效率。 3. **光流向量计算**:通过比较当前帧和前一帧的灰度值,计算出每个像素点的Ex、Ey和Et值。这里值得注意的是,光流向量的大小`u`是通过`Et`除以`sqrt(Ex^2 + Ey^2)`得到的,再乘以10进行量化处理,以减少计算复杂度。 4. **结果存储与阈值处理**:计算出的光流值被存储在`opticalflow`数组中。如果`u`的绝对值超过10,则认为该点存在显著运动,因此在`output`数组中将对应位置标记为黑色,形成运动区域的可视化效果。 5. **状态更新**:通过`memcpy`函数将当前帧复制到`prevframe`中,为下一次迭代做准备。 #### 扩展应用:Lukas-Kanade算法 除了上述基础的光流计算外,代码还提到了Lukas-Kanade算法的应用。这是一种更高级的光流计算方法,能够提供更精确的运动估计。在`ImgOpticalFlow`函数中,通过调用`cvCalcOpticalFlowLK`函数实现了这一算法,该函数接受前一帧和当前帧的灰度图,以及窗口大小等参数,返回像素级别的光流场信息。 在实际应用中,光流法常用于目标跟踪、运动检测、视频压缩等领域。通过深入理解和优化光流算法,可以进一步提升视频分析的准确性和实时性能。 光流法及其C++实现是计算机视觉领域的一个重要组成部分,通过对连续帧间像素变化的精细分析,能够有效捕捉和理解动态场景中的运动信息
评论 8
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