点云处理中阶 Octree模块

2024-05-26 00:04
文章标签 模块 处理 点云 octree 中阶

本文主要是介绍点云处理中阶 Octree模块，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、什么是Octree

      八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的体积。一般中心点作为节点的分叉中心。且每个节点可以继续分割，直到满足某个条件（如达到最大深度或最小点数）。这种结构特别适合于稀疏点云数据的处理，能够高效地进行空间查询和操作。

实现八叉树的原理 

　　(1). 设定最大递归深度。

　　(2). 找出场景的最大尺寸，并以此尺寸建立第一个立方体。

　　(3). 依序将单位元元素丢入能被包含且没有子节点的立方体。

　　(4). 若没达到最大递归深度，就进行细分八等份，再将该立方体所装的单位元元素全部分担给八个子立方体。

　　(5). 若发现子立方体所分配到的单位元元素数量不为零且跟父立方体是一样的，则该子立方体停止细分，因为跟据空间分割理论，细分的空间所得到的分配必定较少，若是一样数目，则再怎么切数目还是一样，会造成无穷切割的情形。

　　(6). 重复3，直到达到最大递归深度。

二、八叉树应用

1、点云压缩

      点云由巨大的数据集组成，这些数据集描述了三维点，并与诸如距离、颜色、法线等附加信息相关联。此外，它们可以以很高的速率创建，因此占用大量的内存资源。一旦点云必须在速率有限的通信信道上存储或传输，压缩这类数据的方法就变得非常有趣了。

      点云库提供点云压缩功能。它允许编码所有类型的点云，包括无序的点云，其特征是不存在的点引用，不同的点大小，分辨率，密度和/或点顺序。

      此外，底层八叉树数据结构能够有效地合并来自多个来源的点云数据。

      以下示例演示如何有效地压缩单点云以及点云流。

压缩单点云

  1. 几何压缩：

    • Octree编码：将空间分割成八个子区域，递归进行，直到每个节点包含的点数少于某个阈值。使用八叉树结构可以有效减少存储需求。
    • KD树编码：通过平衡树结构将点云分割，并按层次顺序存储，可以较好地压缩数据。

  2. 基于变换的压缩：

    • 主成分分析 (PCA)：对点云数据进行主成分分析，将点云数据投影到主成分上，减少维度，从而达到压缩的目的。
    • 离散余弦变换 (DCT) 和 小波变换：将点云数据转变到频域，利用能量集中在低频部分的特性，舍弃高频部分，实现压缩。

  3. 点位置编码：

    • 量化：将点的坐标值进行量化，可以在一定程度上减少数据量。
    • 预测编码：使用点的邻域信息预测当前点的位置，仅存储预测误差，从而减少存储量。

压缩点云流

  1. 时间冗余压缩：

    • 帧间差分编码：仅存储相邻帧之间的差异，而不是每一帧的完整数据。可以大大减少数据量。
    • 运动估计和补偿：通过估计点云流中的运动矢量，只存储运动矢量和补偿信息。

  2. 基于模型的压缩：

    • 动态几何模型：利用物体的运动模型（如刚体运动模型、骨架动画等）来预测点的位置，只存储模型参数。
    • 稀疏表示：使用稀疏矩阵或张量表示点云流，存储非零元素及其索引。

  3. 空间和时间联合压缩：

    • 四维（3D空间+时间）Octree编码：将时间维度加入Octree结构，实现空间和时间的联合压缩。
    • 时空小波变换：对点云流进行时空小波变换，利用点云流在时空域的稀疏性进行压缩。

  4. 机器学习方法：

    • 自编码器：使用神经网络的自编码器结构学习点云数据的低维表示，从而实现压缩。
    • 生成对抗网络（GANs）：利用GAN生成逼真的点云数据，可以仅存储生成器的模型参数，而不是所有点数据。

示例一（进行压缩和解压缩）

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/octree_pointcloud_compression.h>int main(int argc, char** argv) {// 创建一个点云对象pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGBA>());pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZRGBA>());// 生成一些示例点云数据cloud->width = 100;cloud->height = 1;cloud->points.resize(cloud->width * cloud->height);for (size_t i = 0; i < cloud->points.size(); ++i) {cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);cloud->points[i].r = rand() % 256;cloud->points[i].g = rand() % 256;cloud->points[i].b = rand() % 256;cloud->points[i].a = 255;}// 初始化点云压缩和解压缩对象pcl::io::compression_Profiles_e compressionProfile = pcl::io::HIGH_RES_ONLINE_COMPRESSION_WITHOUT_COLOR;bool showStatistics = true;pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> PointCloudEncoder(compressionProfile, showStatistics);pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> PointCloudDecoder;// 压缩点云std::stringstream compressedData;PointCloudEncoder.encodePointCloud(cloud, compressedData);// 解压缩点云PointCloudDecoder.decodePointCloud(compressedData, cloudOut);// 打印压缩和解压缩后的点云数据std::cout << "Original Point Cloud: " << std::endl;for (size_t i = 0; i < cloud->points.size(); ++i) {std::cout << "    " << cloud->points[i] << std::endl;}std::cout << "Decompressed Point Cloud: " << std::endl;for (size_t i = 0; i < cloudOut->points.size(); ++i) {std::cout << "    " << cloudOut->points[i] << std::endl;}return 0;
}

示例二（OpenNI兼容设备）

下面的代码为OpenNI兼容设备实例化一个新的采样器，并且启动循环回调接口，每从设备获取一帧数据就回调函数一次，，这里的回调函数就是实现数据压缩和可视化解压缩结果。

出处：PCL学习八叉树 - Being_young - 博客园 (cnblogs.com)

#include <pcl/point_cloud.h>                         // 点云类型
#include <pcl/point_types.h>                          //点数据类型
#include <pcl/io/openni_grabber.h>                    //点云获取接口类
#include <pcl/visualization/cloud_viewer.h>            //点云可视化类#include <pcl/compression/octree_pointcloud_compression.h>   //点云压缩类#include <stdio.h>
#include <sstream>
#include <stdlib.h>#ifdef WIN32
# define sleep(x) Sleep((x)*1000)
#endifclass SimpleOpenNIViewer
{
public:SimpleOpenNIViewer () :viewer (" Point Cloud Compression Example"){}
/************************************************************************************************在OpenNIGrabber采集循环执行的回调函数cloud_cb_中，首先把获取的点云压缩到stringstream缓冲区，下一步就是解压缩，它对压缩了的二进制数据进行解码，存储在新的点云中解码了点云被发送到点云可视化对象中进行实时可视化
*************************************************************************************************/void  cloud_cb_ (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr &cloud){if (!viewer.wasStopped ()){// 存储压缩点云的字节流对象std::stringstream compressedData;// 存储输出点云pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloudOut (new pcl::PointCloud<pcl::PointXYZRGBA> ());// 压缩点云PointCloudEncoder->encodePointCloud (cloud, compressedData);// 解压缩点云PointCloudDecoder->decodePointCloud (compressedData, cloudOut);// 可视化解压缩的点云viewer.showCloud (cloudOut);}}
/**************************************************************************************************************在函数中创建PointCloudCompression类的对象来编码和解码，这些对象把压缩配置文件作为配置压缩算法的参数所提供的压缩配置文件为OpenNI兼容设备采集到的点云预先确定的通用参数集，本例中使用MED_RES_ONLINE_COMPRESSION_WITH_COLOR配置参数集，用于快速在线的压缩，压缩配置方法可以在文件/io/include/pcl/compression/compression_profiles.h中找到，在PointCloudCompression构造函数中使用MANUAL——CONFIGURATION属性就可以手动的配置压缩算法的全部参数
******************************************************************************************************************/void run (){bool showStatistics = true;  //设置在标准设备上输出打印出压缩结果信息// 压缩选项详情在: /io/include/pcl/compression/compression_profiles.hpcl::io::compression_Profiles_e compressionProfile = pcl::io::MED_RES_ONLINE_COMPRESSION_WITH_COLOR;// 初始化压缩和解压缩对象  其中压缩对象需要设定压缩参数选项，解压缩按照数据源自行判断PointCloudEncoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> (compressionProfile, showStatistics);PointCloudDecoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> ();/***********************************************************************************************************下面的代码为OpenNI兼容设备实例化一个新的采样器，并且启动循环回调接口，每从设备获取一帧数据就回调函数一次，，这里的回调函数就是实现数据压缩和可视化解压缩结果。************************************************************************************************************///创建从OpenNI获取点云的抓取对象pcl::Grabber* interface = new pcl::OpenNIGrabber ();// 建立回调函数boost::function<void(const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr&)> f = boost::bind (&SimpleOpenNIViewer::cloud_cb_, this, _1);//建立回调函数和回调信息的绑定boost::signals2::connection c = interface->registerCallback (f);// 开始接受点云的数据流interface->start ();while (!viewer.wasStopped ()){sleep (1);}interface->stop ();// 删除压缩与解压缩的实例delete (PointCloudEncoder);delete (PointCloudDecoder);}pcl::visualization::CloudViewer viewer;pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudEncoder;pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudDecoder;};int
main (int argc, char **argv)
{SimpleOpenNIViewer v;  //创建一个新的SimpleOpenNIViewer  实例并调用他的run方法v.run ();return (0);
}

示例三（官方demo）

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/io/openni_grabber.h>
#include <pcl/visualization/cloud_viewer.h>#include <pcl/compression/octree_pointcloud_compression.h>#include <stdio.h>
#include <sstream>
#include <stdlib.h>#ifdef WIN32
# define sleep(x) Sleep((x)*1000)
#endifclass SimpleOpenNIViewer
{
public:SimpleOpenNIViewer () :viewer (" Point Cloud Compression Example"){}voidcloud_cb_ (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr &cloud){if (!viewer.wasStopped ()){// stringstream to store compressed point cloudstd::stringstream compressedData;// output pointcloudpcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloudOut (new pcl::PointCloud<pcl::PointXYZRGBA> ());// compress point cloudPointCloudEncoder->encodePointCloud (cloud, compressedData);// decompress point cloudPointCloudDecoder->decodePointCloud (compressedData, cloudOut);// show decompressed point cloudviewer.showCloud (cloudOut);}}voidrun (){bool showStatistics = true;// for a full list of profiles see: /io/include/pcl/compression/compression_profiles.hpcl::io::compression_Profiles_e compressionProfile = pcl::io::MED_RES_ONLINE_COMPRESSION_WITH_COLOR;// instantiate point cloud compression for encoding and decodingPointCloudEncoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> (compressionProfile, showStatistics);PointCloudDecoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> ();// create a new grabber for OpenNI devicespcl::Grabber* interface = new pcl::OpenNIGrabber ();// make callback function from member functionstd::function<void(const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr&)> f =[this] (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr& cloud) { cloud_cb_ (cloud); };// connect callback function for desired signal. In this case its a point cloud with color valuesboost::signals2::connection c = interface->registerCallback (f);// start receiving point cloudsinterface->start ();while (!viewer.wasStopped ()){sleep (1);}interface->stop ();// delete point cloud compression instancesdelete (PointCloudEncoder);delete (PointCloudDecoder);}pcl::visualization::CloudViewer viewer;pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudEncoder;pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudDecoder;};int
main ()
{SimpleOpenNIViewer v;v.run ();return (0);
}

2、空间分区与点云检索

      下篇文章单独讲检索

3、点云数据空间变换检测

官网demo：Spatial change detection on unorganized point cloud data — Point Cloud Library 0.0 documentationicon-default.png?t=N7T8https://pcl.readthedocs.io/projects/tutorials/en/latest/octree_change.html#octree-change-detection

八叉树是一种基于树的数据结构，用于组织稀疏的三维数据。在本demo中，我们将学习如何使用八叉树实现来检测多个无组织点云之间的空间变化，这些变化可能在大小，分辨率，密度和点顺序上有所不同。变换检测主要用于检测点云数据中不同时间点之间的变化。这种变化检测在很多实际应用场景中非常有用，特别是需要监控环境变化或检测动态物体的领域，即识别到场景中物体的变换。

通过递归比较八叉树的树结构，可以识别由体素配置差异所代表的空间变化。

此外，我们解释了如何使用pcl八叉树“双缓冲”技术，使我们能够随着时间的推移有效地处理多个点云。

3.1 示例

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/octree/octree_pointcloud_changedetector.h>
#include <iostream>int main() {// 定义点云类型typedef pcl::PointXYZ PointT;// 创建两个点云pcl::PointCloud<PointT>::Ptr cloudA(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloudB(new pcl::PointCloud<PointT>);// 添加点到第一个点云 (cloudA)cloudA->push_back(PointT(1.0, 1.0, 1.0));cloudA->push_back(PointT(1.0, 2.0, 1.0));cloudA->push_back(PointT(1.0, 3.0, 1.0));// 添加点到第二个点云 (cloudB)cloudB->push_back(PointT(1.0, 1.0, 1.0));cloudB->push_back(PointT(1.0, 2.0, 1.0));cloudB->push_back(PointT(1.0, 3.0, 1.0));cloudB->push_back(PointT(1.0, 4.0, 1.0)); // 新增点// 创建八叉树变化检测器，设置分辨率float resolution = 0.5f;pcl::octree::OctreePointCloudChangeDetector<PointT> octree(resolution);// 将第一个点云 (cloudA) 添加到八叉树中octree.setInputCloud(cloudA);octree.addPointsFromInputCloud();// 切换到第二个点云 (cloudB)octree.switchBuffers();octree.setInputCloud(cloudB);octree.addPointsFromInputCloud();// 获取变化检测结果std::vector<int> newPointIdxVector;octree.getPointIndicesFromNewVoxels(newPointIdxVector);// 输出变化点的索引和坐标std::cout << "Points added in cloudB:" << std::endl;for (std::size_t i = 0; i < newPointIdxVector.size(); ++i) {std::cout << "Index: " << newPointIdxVector[i]<< ", Point: " << cloudB->points[newPointIdxVector[i]].x << " "<< cloudB->points[newPointIdxVector[i]].y << " "<< cloudB->points[newPointIdxVector[i]].z << std::endl;}return 0;
}

3.2 解释 

  • 定义点云类型：使用 pcl::PointXYZ 作为点云的点类型
  • 创建点云：创建两个点云 cloudA 和 cloudB 并向其中添加点
  • 创建八叉树变化检测器：使用 pcl::octree::OctreePointCloudChangeDetector 创建八叉树变化检测器，并设置分辨率。分辨率决定了八叉树的叶子节点大小，即检测变化的精度
  • 添加第一个点云到八叉树中：将第一个点云（cloudA）添加到八叉树中
  • 切换缓冲区：调用 switchBuffers 方法，这样八叉树会保存之前点云的状态，并准备接收新的点云数据。

       OctreePointCloudChangeDetector类继承自Octree2BufBase类，后者能够同时在内存中保持和管理两个八树。此外，它实现了一个内存池，可以重用已经分配的节点对象，从而在生成多点云的八叉树时减少昂贵的内存分配和释放操作。通过调用" octree. switchbuffers() "，重置了八叉树类，同时在内存中保留了之前的八叉树结构。

  • 添加第二个点云到八叉树中：将第二个点云（cloudB）添加到八叉树中。
  • 获取变化检测结果：调用 getPointIndicesFromNewVoxels 方法，获取在第二个点云中新增的点的索引。

      为了检索存储在当前八叉树结构(基于cloudB)体素上的点，这些点在之前的八叉树结构(基于cloudA)中不存在，我们可以调用“getPointIndicesFromNewVoxels”方法，该方法返回结果点索引的向量。

  • 输出变化点：遍历新点的索引，并输出它们的坐标。

三、接口文档学习

pcl_octree库提供了从点云数据创建分层树数据结构的有效方法。这允许对点数据集进行空间分区、下采样和搜索操作。每个八叉树节点要么有八个子节点，要么没有子节点。根节点描述了一个立方体边界框，它封装了所有的点。在每个树级别，该空间被细分为2倍，从而提高体素分辨率。

pcl_octree实现提供了高效的最近邻搜索例程，如“体素内邻居搜索”、“K近邻搜索”和“半径内邻居搜索”。它会根据点数据集自动调整其尺寸。一组叶节点类提供了额外的功能，例如空间“占用”和“每体素点密度”检查。序列化和反序列化函数能够有效地将八叉树结构编码为二进制格式。此外，在需要高速创建八叉树的场景中，内存池实现减少了昂贵的内存分配和释放操作。

1、Octree模块主要类

  1. pcl::octree::OctreePointCloud<T>

    • 功能：这是 Octree 模块的基类，提供了基本的八叉树结构和功能，包括树的构建、插入、删除等操作。
    • 主要子类：
      • pcl::octree::OctreePointCloudSinglePoint<T>
      • pcl::octree::OctreePointCloudPointVector<T>
      • pcl::octree::OctreePointCloudVoxelCentroid<T>

  2. pcl::octree::OctreePointCloudSinglePoint<T>

    • 功能：此类继承自 OctreePointCloud<T>，用于每个八叉树节点存储单个点。

  3. pcl::octree::OctreePointCloudPointVector<T>

    • 功能：此类继承自 OctreePointCloud<T>，用于每个八叉树节点存储一个点向量（多个点）。

  4. pcl::octree::OctreePointCloudVoxelCentroid<T>

    • 功能：此类继承自 OctreePointCloud<T>，用于每个八叉树节点存储体素（Voxel）质心。

  5. pcl::octree::OctreePointCloudSearch<T>

    • 功能：提供搜索功能，包括邻域搜索、半径搜索和 K 近邻搜索等。继承自 OctreePointCloudPointVector<T>。

  6. pcl::octree::OctreePointCloudCompression<T>

    • 功能：用于点云数据的压缩和解压缩，利用八叉树结构来减少数据存储需求。

2、类之间的关系

OctreePointCloud<T> 是 Octree 模块的基类，其他类通过继承自它来实现不同的功能。具体关系如下：

  • pcl::octree::OctreePointCloud<T>：基类，定义了基本的八叉树操作。
    • pcl::octree::OctreePointCloudSinglePoint<T>：继承自 OctreePointCloud<T>，每个节点存储一个点。
    • pcl::octree::OctreePointCloudPointVector<T>：继承自 OctreePointCloud<T>，每个节点存储一个点向量。
    • pcl::octree::OctreePointCloudVoxelCentroid<T>：继承自 OctreePointCloud<T>，每个节点存储一个体素质心。
    • pcl::octree::OctreePointCloudSearch<T>：继承自 OctreePointCloudPointVector<T>，提供搜索功能。
    • pcl::io::OctreePointCloudCompression<T>：独立实现，但依赖 Octree 结构进行压缩和解压缩。

这篇关于点云处理中阶 Octree模块的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1002986。

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题：墙体两侧特征混淆误匹配，导致建图和定位偏差，表现为过门跳变、外月台走歪等 ·解决思路：预期的根治方案IGICP需要较长时间完成上线，先使用切分地图的工程化方案，即墙体两侧切分为不同地图，在某一侧只使用该侧地图进行定位 方案思路 切分原理：切分地图基于关键帧位置，而非点云。 理论基础：光照是直线的，一帧点云必定只能照射到墙的一侧，无法同时照到两侧实践考虑：关
阅读更多...
python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
深入探索协同过滤：从原理到推荐模块案例

深入探索协同过滤：从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤（UserCF）2. 基于物品的协同过滤（ItemCF）3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代，推荐系统成为连接用户与内容的桥梁。本文聚焦于
阅读更多...
【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入（Embedding）方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节：嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”，它将文本中的单词或短语转换成计算机能够理解的数学形式，即向量。 正如翻译机将一种语言
阅读更多...
2、PF-Net点云补全

2、PF-Net点云补全

2、PF-Net 点云补全 PF-Net论文链接：PF-Net PF-Net （Point Fractal Network for 3D Point Cloud Completion）是一种专门为三维点云补全设计的深度学习模型。点云补全实际上和图片补全是一个逻辑，都是采用GAN模型的思想来进行补全，在图片补全中，将部分像素点删除并且标记，然后卷积特征提取预测、判别器判别，来训练模型，生成的像
阅读更多...
Thymeleaf：生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

Thymeleaf：生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

我们需要引入包： <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-thymeleaf</artifactId></dependency><dependency><groupId>org.springframework</groupId><artifactId>sp
阅读更多...
Jenkins构建Maven聚合工程，指定构建子模块

Jenkins构建Maven聚合工程，指定构建子模块

一、设置单独编译构建子模块 配置： 1、Root POM指向父pom.xml 2、Goals and options指定构建模块的参数： mvn -pl project1/project1-son -am clean package 单独构建project1-son项目以及它所依赖的其它项目。 说明： mvn clean package -pl 父级模块名/子模块名 -am参数
阅读更多...
jenkins 插件执行shell命令时，提示“Command not found”处理方法

jenkins 插件执行shell命令时，提示“Command not found”处理方法

首先提示找不到“Command not found，可能我们第一反应是查看目标机器是否已支持该命令，不过如果相信能找到这里来的朋友估计遇到的跟我一样，其实目标机器是没有问题的通过一些远程工具执行shell命令是可以执行。奇怪的就是通过jenkinsSSH插件无法执行，经一番折腾各种搜索发现是jenkins没有加载/etc/profile导致。 【解决办法】： 需要在jenkins调用shell脚
阅读更多...
寻迹模块TCRT5000的应用原理和功能实现（基于STM32）

寻迹模块TCRT5000的应用原理和功能实现（基于STM32）

目录 概述 1 认识TCRT5000 1.1 模块介绍 1.2 电气特性 2 系统应用 2.1 系统架构 2.2 STM32Cube创建工程 3 功能实现 3.1 代码实现 3.2 源代码文件 4 功能测试 4.1 检测黑线状态 4.2 未检测黑线状态 概述 本文主要介绍TCRT5000模块的使用原理，包括该模块的硬件实现方式，电路实现原理，还使用STM32类
阅读更多...
明明的随机数处理问题分析与解决方案

明明的随机数处理问题分析与解决方案

明明的随机数处理问题分析与解决方案 引言问题描述解决方案数据结构设计具体步骤伪代码C语言实现详细解释读取输入去重操作排序操作输出结果复杂度分析 引言 明明生成了N个1到500之间的随机整数，我们需要对这些整数进行处理，删去重复的数字，然后进行排序并输出结果。本文将详细讲解如何通过算法、数据结构以及C语言来解决这个问题。我们将会使用数组和哈希表来实现去重操作，再利用排序算法对结果
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2