‘壹’ 人脸关键点检测最先进的算法
阅面科技的人脸关键点检测算法可以适用于各种姿态，角度、和表情变化的人脸，并且安装包仅有4M多大小，速度很快，可以实时对视频中的关键点进行检测。
‘贰’ 股票上涨突破关键点有几种算法,怎么算的
一、股票上涨空间分析
1、从主力建仓成本看上涨空间。所谓建仓成本就是上方套牢筹码全部割肉出局，主力在低位收聚廉价筹码的成本，主力成本的计算标准一般以建仓区筹码密集峰的中心轴的价格为准，如果是双峰密集区，以两个密集峰中心轴价位的平均值为标准。确认主力成本后就可以预测拉升空间了。如果主力直接拉升一波后就出货的拉升空间一般在60%——100%之间，如果拉升一波后经过洗盘在拉升的前后的拉升空间一般在100%——160%之间。所以要正确区分洗盘与出货的区别。
2、从历史高点看上涨空间。所谓历史高点就是上一波牛市的最高点或历史最高点。如果大盘过历史高点，那么个股过历史高点就风险不会太大，如果大盘离历史高点很远而个股却创历史新高或接近历史高点，需要防止因心理压力或涨幅过大超前透支而导致的高位风险。如果个股的主力建仓成本离历史高点还有60%以上的空间一般是安全的。因为历史新高迟早会破的。
3、从形态真空区看上涨空间。如果股价进入某形态真空区，一般真空区结束就会有一定的阻力，注意防范风险。如果股价突破主力建仓筹码真空区，可看高40%—60%的上涨空间，如果股价突破主力洗盘真空区可看高最少20%以上的上涨空间（区分洗盘和出货假突破的区别）。
4、从套牢区的压力位看上涨空间。如果前期高位是主力被套（由于突然的利空），后期上涨会突破主力套牢区。如果前期高位是散户被套，若套牢筹码多于15%，那么股价上涨到该套牢区会受到很大的压力。主力被套的筹码特征是窄而密集多于30%，散户被套经过割肉之后的筹码特征是短而分散。
5、从业绩增长情况看上涨空间。如果业绩增长稳定可暂时看高一线，但涨幅过大也会导致一定的风险。如果业绩下滑而股价又被高估也会有一定的风险。如果股价在底部，即使业绩不好也不要害怕，所谓“底部利空猛打猛冲，高位利好撒腿就跑”就是这个道理。
6、从牛熊行情来看上涨空间。如果是牛市，股价回调多少后期就会涨多少，甚至会大大超过下跌空间，如果是熊市，股价这一波跌多少后期反弹只能收复三分之一的位置，最多不会超过二分之一上涨幅度。
二、上涨空间应该注意的几个细节
1、中小盘股的上涨空间比大盘股的上涨空间更大。
2、控盘程度越高的上涨空间越大。控盘程度可以从吸筹的时间、振幅、筹码密集程度看出来，吸筹时间越长吸筹越充分，控盘程度也越高；振幅越小控盘程度越高；筹码越密集甚至单峰密集主力控盘程度越高。主力控盘程度越高说明主力实力月雄厚，准备越充分，爆发力越强，上涨空间也越大。
3、题材股不是上涨空间的必要条件，一定要结合主力的运作阶段、控盘程度、套牢情况而定，万万不要认为只要有题材就一定会涨。
4、股性和人气对上涨空间有一定的影响，股性好的人气旺的股票经常会被频繁炒作，其上涨空间也会相对大一些。股性和人气从过去的涨幅情况、成交量和换手率上加以判断。
‘叁’ sift算法中特征点和关键点是同一个描述么都是指一个像素单元还是指什么
特征点和关键点都是同一个概念，还可以叫做兴趣点，它们都是角点，是指一个梯度的大小和方向变换都很快的像素点。
‘肆’ 图的关节点
图关节点求法 c++ :
#include <iostream>
#include <fstream>
#include <string>
#include <deque>
using namespace std;
ifstream fin("fin.in");
#define nnode 1000
deque <int> node[nnode];
int n;
void readin(){
int m;
fin>>n;
int i,j;
for(i=0;i <n;i++){
fin>>m;
node.resize(m);
for(j=0;j <m;j++){
fin>>node[j];
}
}
}
deque <int> visited,low,is;
int min(int a,int b){
if(a>b) return b;
return a;
}
void foo(){
visited.resize(nnode,0);
is.resize(nnode,0);
low.resize(nnode,-1);
int cur,i;
deque <int> stack;
int ct=1;
stack.push_front(0);
visited[0]=ct++;
while(stack.size()!=0){
cur=stack[0];
stack.pop_front();
if(low[cur]==-2){
low[cur]=visited[cur];
for(i=0;i <node[cur].size();i++){
if(visited[node[cur]] <visited[cur])
low[cur]=min(low[cur],visited[node[cur]]);
else{
if(low[node[cur]]>=visited[cur]) is[cur]=1;
low[cur]=min(low[cur],low[node[cur]]);
}
}
continue;
}
if(low[cur]!=-1) continue;
low[cur]=-2;
stack.push_front(cur);
for(i=0;i <node[cur].size();i++){
int temp;
temp=node[cur];
if(visited[temp]!=0) continue;
stack.push_front(temp);
visited[temp]=ct++;
}
}
}
int main(){
readin();
foo();
for(int i=0;i <n;i++){
cout < <low < <" ";
}
cout < <endl;
for(i=0;i <n;i++){
if(is==1) cout < <i < <" ";
}
cout < <endl;
return 0;
}
‘伍’ 点云数据处理的5个步骤
摘要 1. 点云滤波（数据预处理）
‘陆’ dfa算法的关键点是什么
起因: 从网页中爬去的页面，需要判断是否跟预设的关键词匹配(是否包含预设的关键词)，并返回所有匹配到的关键词 。
目前pypi 上两个实现
但是其实包都是基于DFA 实现的
这里提供源码如下:
#!/usr/bin/python2.6
# -*- coding: utf-8 -*-
import time
class Node(object):
def __init__(self):
self.children = None
# 标记匹配到了关键词
self.flag = False
# The encode of word is UTF-8
def add_word(root,word):
if len(word) <= 0:
return
node = root
for i in range(len(word)):
if node.children == None:
node.children = {}
node.children[word[i]] = Node()
elif word[i] not in node.children:
node.children[word[i]] = Node()
node = node.children[word[i]]
node.flag = True
def init(word_list):
root = Node()
for line in word_list:
add_word(root,line)
return root
# The encode of word is UTF-8
# The encode of message is UTF-8
def key_contain(message, root):
res = set()
for i in range(len(message)):
p = root
j = i
while (j<len(message) and p.children!=None and message[j] in p.children):
if p.flag == True:
res.add(message[i:j])
p = p.children[message[j]]
j = j + 1
if p.children==None:
res.add(message[i:j])
#print '---word---',message[i:j]
return res
def dfa():
print '----------------dfa-----------'
word_list = ['hello', '民警', '朋友','女儿','派出所', '派出所民警']
root = init(word_list)
message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'
x = key_contain(message, root)
for item in x:
print item
if __name__ == '__main__':
dfa()
‘柒’ 怎样用kinect准确测量 人体身高
使用Kinect测量身高的方法其实有很多种：
第一种方式是使用Kinect的视场角以及结合一些三角形几何运算，就可以大致测量出物体的高度，这一点在之前介绍深度影像处理的时候有提到。
第二种方式是使用Kinect骨骼追踪提供的20个关节点的相关坐标，在根据一定的算法测量出人体的身高。在Channel9上面的这个例子的一个分享，在这里拿过来和大家分享一下。在这里，根据臂展和身高有相似的关系，我对这个例子做了一点扩展，计算臂展来粗略计算身高，用臂展计算身高其实有个好处就是既可以使用正常模式（Normal model，20个关节点），可以使用坐姿模式(Seat model，10 个关节点)，这样您坐着就可以测量身高，不过精度不保证哈。这里只是提供这么一个思路。
一． 计算身高的算法
Kinect获取的骨骼数据包含20个关节点的X,Y,Z坐标信息。您可能会想，为什么不直接使用头部(head)关节点和脚趾(foot)关节点之间的距离来直接计算身高。这样不准确，因为用户可能并没有站直，如果这样算的话，误差比较大。
另一个问题是，头部关节点给出的是头部中心点的位置，如果使用这个位置，您需要额外增加9至11厘米，但是即使这样，也不能达到百分之一百的准确，如果要更精确一点的话，可能需要使用深度影像值来提取头部的顶部位置。也不需要那么麻烦，现在来看看我们怎样使用骨骼关节点来计算高度信息。
仔细观察下面的骨骼点，可以看到，身高可以由下面几部分组成(如图中红色部分)：
• 头部(Head) –肩膀中心(ShoulderCenter)
• 肩膀中心(ShoulderCenter) – 脊柱中心(Spine)
• 脊柱中心(Spine) – 髋部中心(HipCenter)
• 髋部中心(HipCenter) – 左或右膝关节(KneeLeft or KneeRight)
• 左膝关节KneeLeft(右膝关节KneeRight) – 左踝关节leLeft (右踝关节AnkleRight)
• 左踝关节leLeft (右踝关节AnkleRight)- 左脚FootLeft (右脚FootRight)
使用臂展计算身高，也可以计算图中绿色所示的关节点：
• 左手(HeadLeft) –左手腕(Wrist Left)
• 左手腕(Wrist Left) – 左胳膊肘(Elbow Left)
• 左胳膊肘(Elbow Left) – 左肩膀(Shoulder Left)
• 左肩膀(Shoulder Left)–肩膀中心(Shoulder Center)
• 肩膀中心(Shoulder Center)-右肩膀(Shoulder Right)
• 右肩膀(Shoulder Right)- 右胳膊肘 (Elbow Right)
• 右胳膊肘 (Elbow Right)- 右手腕(Wrist Right)
•右手腕(Wrist Right)- 右手 (Hand Right)
原理就是这样，下面来编代码实现。
二． 实现
程序界面很简单，展示20个关节点，然后显示计算结果。有几点需要说明：
首先，关节点的位置信息是三维的，下面公式用来计算两个关节点的距离
public static double Length(Joint p1, Joint p2)
{
return Math.Sqrt(
Math.Pow(p1.Position.X - p2.Position.X, 2) +
Math.Pow(p1.Position.Y - p2.Position.Y, 2) +
Math.Pow(p1.Position.Z - p2.Position.Z, 2));
}
上面的代码很直接。第二步，我们应该使用左腿还是右腿还进行测量更加准确呢，我们使用那个追踪的最好的。下面的代码用来计算腿部处于追踪状态的点的数量。如果那个数量多，那么就用那一个。
public static int NumberOfTrackedJoints(params Joint[] joints)
{
int trackedJoints = 0;
foreach (var joint in joints)
{
if (joint.TrackingState == JointTrackingState.Tracked)
{
trackedJoints++;
}
}
return trackedJoints;
}
使用上面的函数，我们就可以判断是使用左腿还是右腿了。
// Find which leg is tracked more accurately.
int legLeftTrackedJoints = NumberOfTrackedJoints(hipLeft, kneeLeft, ankleLeft, footLeft);
int legRightTrackedJoints = NumberOfTrackedJoints(hipRight, kneeRight, ankleRight, footRight);
double legLength = legLeftTrackedJoints > legRightTrackedJoints ? Length(hipLeft, kneeLeft, ankleLeft, footLeft) : Length(hipRight, kneeRight, ankleRight, footRight);
然后我们使用扩展方法，来计算骨骼的高度。下面是方法的代码：
public static double Height(this Skeleton skeleton)
{
const double HEAD_DIVERGENCE = 0.1;
var head = skeleton.Joints[JointType.Head];
var neck = skeleton.Joints[JointType.ShoulderCenter];
var spine = skeleton.Joints[JointType.Spine];
var waist = skeleton.Joints[JointType.HipCenter];
var hipLeft = skeleton.Joints[JointType.HipLeft];
var hipRight = skeleton.Joints[JointType.HipRight];
var kneeLeft = skeleton.Joints[JointType.KneeLeft];
var kneeRight = skeleton.Joints[JointType.KneeRight];
var ankleLeft = skeleton.Joints[JointType.AnkleLeft];
var ankleRight = skeleton.Joints[JointType.AnkleRight];
var footLeft = skeleton.Joints[JointType.FootLeft];
var footRight = skeleton.Joints[JointType.FootRight];
// Find which leg is tracked more accurately.
int legLeftTrackedJoints = NumberOfTrackedJoints(hipLeft, kneeLeft, ankleLeft, footLeft);
int legRightTrackedJoints = NumberOfTrackedJoints(hipRight, kneeRight, ankleRight, footRight);
double legLength = legLeftTrackedJoints > legRightTrackedJoints ? Length(hipLeft, kneeLeft, ankleLeft, footLeft) : Length(hipRight, kneeRight, ankleRight, footRight);
return Length(head, neck, spine, waist) + legLength + HEAD_DIVERGENCE;
}
同样滴，我们使用手，手腕，胳膊肘，肩膀，等9个关节点来计算臂展，并使用臂展来近似计算身高，下面的名为ArmExtendWith的扩展方法即为计算臂展的方法。
public static double ArmExtendWith(this Skeleton skeleton)
{
var armWidthDeviation = 0.5;
var handRight = skeleton.Joints[JointType.HandRight];
var wristRight = skeleton.Joints[JointType.WristRight];
var elowRight = skeleton.Joints[JointType.ElbowRight];
var shoulderRight = skeleton.Joints[JointType.ShoulderRight];
var shoulderCenter = skeleton.Joints[JointType.ShoulderCenter];
var handleft = skeleton.Joints[JointType.HandLeft];
var wristleft = skeleton.Joints[JointType.WristLeft];
var elowleft = skeleton.Joints[JointType.ElbowLeft];
var shoulderleft = skeleton.Joints[JointType.ShoulderLeft];
// Calculate the left and right arm extends width
double rightArmExtendsWidth = Length(handRight, wristRight, elowRight, shoulderRight, shoulderCenter);
double leftArmExtendsWidth = Length(handleft, wristleft, elowleft, shoulderleft, shoulderCenter);
return rightArmExtendsWidth + leftArmExtendsWidth + armWidthDeviation;
}
最后，再SkeletonFrameReady事件中调用该方法即可。
void Sensor_SkeletonFrameReady(object sender, SkeletonFrameReadyEventArgs e)
{
using (var frame = e.OpenSkeletonFrame())
{
if (frame != null)
{
canvas.Children.Clear();
Skeleton[] skeletons = new Skeleton[frame.SkeletonArrayLength];
frame.CopySkeletonDataTo(skeletons);
var skeleton = skeletons.Where(s => s.TrackingState == SkeletonTrackingState.Tracked).FirstOrDefault();
if (skeleton != null)
{
// Calculate height.
double height = Math.Round(skeleton.Height(), 2);
double armExtendsWidth = Math.Round(skeleton.ArmExtendWith(), 2);
// Draw skeleton joints.
foreach (JointType joint in Enum.GetValues(typeof(JointType)))
{
DrawJoint(skeleton.Joints[joint].ScaleTo(640, 480));
}
// Display height.
tblHeight.Text = String.Format("Height: {0} m", height);
tblArmExtendWidth.Text = String.Format("ArmWidth: {0} m", armExtendsWidth);
}
}
}
}
现在您可以运行代码查看结果了。
三． 结语
本文介绍了两种利用Kinect测量身高的方法，一种是之前讲过的，利用Kinect的视场角和物体构成的三角关系，运用几何运算，测量物体身高，第二种是利用Kinect提供的骨骼数据，根据关节点直接的距离，来计算人体的身高。本文着重讲解了利用骨骼关节点之间的距离计算身高的两种方法，一种是Channel9上面分享的利用头部、脊柱、髋关节、膝关节、踝关节等8个关节点的长度来计算身高，还有一种就是使用与臂展相关的，手、手腕、胳膊肘、肩膀等9个关节点信息，较第一种方法相比，该方法可以使用坐姿模式进行计算，意味着您坐着就可以测量身高。当然，可能精度不是很准确，本文只是提供了一些Kinect在测量身高方面的思路，源代码点击此处下载，希望本文对您有帮助！
‘捌’ c语言算法
离散数学离散数学作为计算机学科的基础是竞赛中涉及最多的数学分支，重中之重又在于图论和组合数学，尤其是图论。图论之所以运用最多是因为它的变化最多，而且可以轻易地结合基本数据结构和许多算法的基本思想，较多用到的知识包括连通性判断、DFS和BFS，关节点和关键路径、欧拉回路、最小生成树、最短路径、二部图匹配和网络流等等。虽然这部分的比重很大，但是往往也是竞赛中的难题所在，如果有初学者对于这部分的某些具体内容暂时感到力不从心，也不必着急，可以慢慢积累。组合数学竞赛中设计的组合计数问题大都需要用组合数学来解决，组合数学中的知识相比于图论要简单一些，很多知识对于小学上过奥校的同学来说已经十分熟悉，但是也有一些部分需要先对代数结构中的群论有初步了解才能进行学习。组合数学在竞赛中很少以难题的形式出现，但是如果积累不够，任何一道这方面的题目却都有可能成为难题。数论以素数判断和同余为模型构造出来的题目往往需要较多的数论知识来解决，这部分在竞赛中的比重并不大，但只要来上一道，也足以使知识不足的人冥思苦想上一阵时间。素数判断和同余最常见的是在以密码学为背景的题目中出现，在运用密码学常识确定大概的过程之后，核心算法往往要涉及数论的内容。计算几何计算几何相比于其它部分来说是比较独立的，就是说它和其它的知识点很少有过多的结合，较常用到的部分包括—线段相交的判断、多边形面积的计算、内点外点的判断、凸包等等。计算几何的题目难度不会很大，但也永远不会成为最弱的题。线性代数对线性代数的应用都是围绕矩阵展开的，一些表面上是模拟的题目往往可以借助于矩阵来找到更好的算法。 ~