其他

As some one who has enjoyed the Lisp language (in several flavors) for about 15 years now, I wanted to express some of my reactions at recently discovering Haskell, and why it has supplanted Lisp as the apple of my eye. Perhaps it will encourage

來至：gotesting軟體測試聯盟論壇  

每當談及程式碼涵蓋範圍時，總有人會問“覆蓋率的標準應當是多少？”應該是100%，90%，還是80%？      答案是，看情況。選擇覆蓋率的標準時，應該考慮所用的技術、語言以及開發工具等，還要考慮其他許多因素。java及J2EE項目通常會選擇85%作為標準，之所以是85%，並不是因為某些功能沒有測到，而是因為語言和API的設計風格使得100%的覆蓋率不太現實而已。http://www.test-life.org/post/13.html

來至：gotesting軟體測試聯盟論壇  

根據簡化的輪廓資訊以後，很容易獲得頭部，手，腳的位置。此外利用手臂與身體交角部分，可以確定軀乾的寬度，頭部與腿部交角部分可以確定軀幹長度，脖子位置站軀幹比率0.75

在應用開發中，如果得到的視頻映像是投射變換後的，需要進行校正，可以利用cvWarpPerspective函數實現透視變換，通過透視變換，可實現映像翻轉，線性任意變形。同樣也可以利用投射變換 cvGetQuadrangleSubPix實現映像翻轉，但是它的自由度要少三個，所以線性任意變形不能實現。 //透視變換 int HumanMotion::WarpPerspective(IplImage *grey){ IplImage* Img_old = cvCloneImage( grey

來至：gotesting軟體測試聯盟論壇   http://www.78test.com public class TestCharacter { final static int time = 50000;  //迴圈次數  public TestCharacter(){   }  public void test(String s){  long begin = System.currentTimeMillis();  for(int i=0; i<time; i++){   s +=

閱讀筆記Articulated Soft Objects for Multi-View Shape and Motion CaptureRalf Pl╝nkers and Pascal FuaComputer Vision LabSwiss Federal Institute of Technology (EPFL)1015 Lausanne, SwitzerlandEmail: Pascal.Fua@epfl.chIEEE PAMI, 25(10), 2003這篇論文採用了一種新穎的建模方法，

camshift 實現自動化跟蹤的小技巧opencv 提供了使用基於顏色的跟蹤演算法camshift, 很好的演算法，可是它是個半自動的演算法，它需要使用者在跟蹤介面設定跟蹤的目標。怎麼預先設定目標再來跟蹤呢？本人偷了個懶，加入了用一張圖片來設定跟蹤的目標，在啟動中載入圖片，產生跟蹤需要的histogram。這樣實現了自動化的跟蹤吧。步驟如下：1. 找到你需要跟蹤的物體，拿到網路攝影機前，照一張相（print screen），這裡需要注意的是，由於光線變化，臨近網路攝影機會亮一些，離遠會暗一些，

透過 VNC 來遠端連線固然方便但 VNC 是沒有經過加密的所以在安全上還是有一些疑慮在寫完上一篇文章以後有前輩跟我說可以使用 SSH Tunnel 來 xforward ssh會建立一個通道( Tunnel ) 將連線資訊經過加密 這是一個熟悉的畫面只是這時候需要的是 PuTTY 模式 之後切換到 Tunnels 的頁面將 Port forwarding 兩個勾勾都打勾Source port 填入 5900 (如果你沒更改的話)Destination 填入 ubuntu 的 ip 跟

最近一個老外老問我問題，後來他推薦我看文章，是用來跟蹤網路攝影機運動的，我突然想到如果把網路攝影機固定到人體上，根據特徵點的運動方向與速度，利用EKF實現跟蹤，這套東西就可以跟蹤人體運動了。雖然它需要那麼多的網路攝影機11個,計算量巨大不過，卻是一個有趣的想法。原文參考：Robust Estimation of 3-D Camera Motion for Uncalibrated Augmented Reality

來至：gotesting軟體測試聯盟論壇   http://www.78test.comIP欺騙是個老生長談的問題，但是仍然有很多人沒有搞清楚，甚至最近一些已經出版的LoaRunner圖書上也沒有解釋清楚。　　    這麼簡單的功能操作步驟哪裡有誤區呢，常見的下面需要2點：　　    1、和Generator搞混。以為添加多個IP後，需要添加多個IP對應的Generator才可以使用。（同一個Generator只需要以其某一個IP添加到Generator列表中即可以使用其它的IP。）　　   

第十三章 引擎 本章目標在閱讀完本章節後，我們將有能力做下列事情： l         實現情境中域與域之間的串連l         在資料庫中建立並使用全域域。l         實現引擎與域以及引擎與引擎之間的串連。l         臨時禁用引擎串連。l         建立一個簡單的引擎網路（engine network）l         使用引擎驅動情境l         使用轉體節點（rotor）、頻閃節點（blinker）、開關節點（shutter）、搖擺節點（pendulum）

來至：gotesting軟體測試聯盟論壇   http://www.78test.comBrowser1 = "IE"StartURL = "www.hao123.com"IF Browser1 = "IE" THENset IE = CreateObject("InternetExplorer.Application")IE.Visible = trueIE.Navigate StartURLEND IF---------------------------------------------

研究eyetoy仔細看了一下eyetoy的antigrav人體跟蹤的方法，發現它目前做到簡單的跟蹤，核心是需要玩家在手臂上帶上綠色或是橙色的袖子來方便跟蹤，那麼需要關心的就是頭部，兩個手臂位置，這樣就可以表達 "傾斜、跳躍、晃動、俯低、加速、煞車"

來至：gotesting軟體測試聯盟論壇   http://www.78test.com有一些系統具有檔案上傳下發功能，為了測試系統的效能，需要寫一些指令碼，實現檔案上傳到伺服器。下面是指令碼中的主要部分：Action(){        web_url("upload1.jsp",                 "URL=http://www.msnshow.cn/flvlib/file/test/upload1.jsp",                 "Resource=0",    

在做差分實驗中，發現對於運動快的手臂效果好，而對於很少運動的身體來講效果不好，無意中擺動網路攝影機時，發現它可以獲得差分後的輪廓，進一步來講，如果假設網路攝影機不動，而映像出現抖動的情況，即整個映像向上向左平移一個單位象素，這樣在差分中也可以得到輪廓，所以特地在OPENCV5上實現了這個演算法。實驗的效果還是不錯的。它的好處是一種新穎，簡單，計算量小的方法，因為它不需要計算任何梯度，如果採用一些canny,sobel運算元，會慢很多，它的缺點是引入了其他物體的幹擾。實際上更大的意義是在一個靜態情

來至：gotesting軟體測試聯盟論壇   http://www.78test.com安裝nmon在/tmp下建立nmon目錄將nmon.tar.z檔案上傳到被監控主機解壓：unzip nmon.tar.z解歸檔：tar xvf nmon.tar更改許可權：chmod 755 nmon執行：./nmon即時監控輸出：nmon -f -s 2 -c 10（意思：將nmon的監控結果以檔案形式輸出，採樣的頻率是每2秒收集一次，收集次數是10次）【】#cd /tmp 

手繪多邊形求取骨架線/中軸線的思路經過一段時間的研究，對於多邊形求取骨架線大概看來有如下幾個方法：1。通過輪廓內切園圓心的連線可以獲得骨架線，這種方法在<電腦視覺－一種現代的方法>書中大概介紹了一下，我比較了一下，發現效能差一些。所以放棄這種方法的深入研究。參考網站http://www.mpi-sb.mpg.de/~shin/Research/CCurve/node19.html參考代碼http://www.mpi-inf.mpg.de/~shin/Java_Applets/

這裡我目前迴避了delaunay三角形的方法，因為這種方法沒辦法區分輪廓內部還是外部，而且計算複雜，所以我採用了一個簡單的方法，就是按逆時針遍曆輪廓，找到最小的夾角，取對應兩邊的中線點，刪除這個夾角點，繼續遞迴，直到多邊形為三角形為止。這個方法的優點是速度快，缺點是這種演算法丟失了輪廓相連的特性，所以在骨架化時，連線有困難。我在思考如何儲存輪廓相連的特性的新演算法。