hdu_3299_Distant Galaxy( DP )

本文探讨了一种寻找覆盖最多顶点的矩形算法。通过枚举边界条件,并利用DP思想优化,实现高效求解。文章提供了详细的算法思路及C++实现代码。
題意:
n個座標,要求找一個矩形使得儘量多的座標在矩形的邊界上
分析:
考慮最優的情況,如果n多於4,那麼每條邊必然最少有一個頂點,證明略,如果枚舉每條邊界所穿過的頂點,時間複雜度O(N^5),不用說TLE,如果換個角度想,如果只要枚舉y座標的上下界,然後使用統計當前上下界情況下的最大滿足情況的話,難點就是統計
記l[i]   :表示第i列之前的存在於邊界上的頂點的個數(不包括第i列的)
記on1[i] :表示第i列不在邊界上的縱座標上的頂點
記on2[i] :表示所有在第i列上的縱座標的頂點
如:
idx: 1  2  3  4  5
  1  *     *     *   ----------> min_y
  2     *     *
  3              *   ----------> max_y
idx: 1  2  3  4  5
  l: 0  1  1  2  2
on1: 0  1  0  1  0
on2: 1  1  1  1  2
那麼其中的一個情況的矩陣包含的頂點數 = l[j]+on2[j]+on1[i]-l[i]
目標使得on1[i]-l[i]儘量的大,這裏是基於DP思想
Code:
#include <set>
#include <map>
#include <cmath>
#include <ctime>
#include <stack>
#include <queue>
#include <deque>
#include <vector>
#include <cstdio>
#include <bitset>
#include <cstdlib>
#include <cstring>
#include <algorithm>
using namespace std;


#define DIR     4
#define DIM     2
#define STATUS  2
#define MAXN    100 + 10
#define MAXM    100000 + 10
#define oo      (~0u)>>1
#define INF     0x3F3F3F3F
#define REPI(i, s, e)   for(int i = s; i <= e; i ++)
#define REPD(i, e, s)   for(int i = e; i >= s; i --)


static const double EPS = 1e-5;


typedef struct POINT {
        int x, y;
}Point;


Point p[MAXN];
int y[MAXN];
int on1[MAXN];
int on2[MAXN];
int l[MAXN];


inline int cmp(const Point &a, const Point &b)
{
        return a.x < b.x;
}


int cal(int n)
{
        int ans = 0;
        sort(y+1, y+1+n);
        sort(p+1, p+1+n, cmp);
        int m = unique(y+1, y+1+n)-y;
        if( m-1 <= 2 ) { //only two row
                return n;
        }
        REPI(i, 1, m-1) {
                REPI(j, i+1, m-1) {
                        int col = 0;
                        int y_min = y[i];
                        int y_max = y[j];
                        on1[col] = on2[col] = l[col] = 0;
                        REPI(k, 1, n) {
                                if( 1 == k || p[k].x != p[k-1].x ) {
                                        col += 1;
                                        on1[col] = on2[col] = 0;
                                        l[col] = l[col-1]+on2[col-1]-on1[col-1];
                                }
                                if( p[k].y > y_min && p[k].y < y_max ) {
                                        on1[col] += 1;
                                }
                                if( p[k].y >= y_min && p[k].y <= y_max ) {
                                        on2[col] += 1;
                                }
                        }
                        if( col <= 2 ) {        //only two col
                                return n;
                        }
                        //cal delta = l[j]+on2[j]-l[i]+on1[i];
                        int pre = 0;
                        REPI(k, 1, col) {
                                ans = max(ans, l[k]+on2[k]+pre);
                                pre = max(pre, on1[k]-l[k]);
                        }
                }
        }
        return ans;
}


int main(int argc, char const *argv[])
{
#ifndef ONLINE_JUDGE
        freopen("test.in", "r", stdin);
#endif
        int n, cnt(1);
        while( ~scanf("%d", &n) ) {
                if( !n ) {
                        break;
                }
                REPI(i, 1, n) {
                        scanf("%d %d", &p[i].x, &p[i].y);
                        y[i] = p[i].y;
                }
                printf("Case %d: %d\n", cnt ++, cal(n));
        }
        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
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