随机采样一致（ransac）算法是一种随机性的参数估计算法，利用Ransac可以实现采样一致性初始配准（SAC-IA）。采样一致性初始配准（SAC-IA）给出一个初始预估的刚性（Rigid）变换矩阵，为更精确的位姿估计算法（如ICP等）提供初始配准状态。
PCL点云库中封装了丰富的点云数据处理函数，利用PCL实现初始点云配准较为容易，于是博主就也实验了一下，效果还不错，就是时间耗费的问题，大概2000个点，迭代2000次，花了5s，实在是太慢了，代码托管在github，比较初级，欢迎指教。
PengChao
PCL读取点云并可视化
这篇博客提供一个PCL读取点云并可视化的最简Demo，并提供扩充学习资料的链接。其中点云读取比较简单，而可视化比较复杂。
PCL的可视化类有好几号，最强大的是PCLvisualizer，这个类是这篇博客的主要内容。如果只是简单显示点云，可以不需要PCLvisualizer类，调用CloudViewer就可以了。CloudViewer的调用过程更加简单直接，PCLvisualizer更加强大，功能更加丰富。
PCLvisualizer还可以设置鼠标键盘操作回调函数，功能之多，并且开源的PCL也在不断丰富和完善，所以在调用PCLvisualizer时，大部分编程是需要参考文档手册的。
LeetCode_146: LRUCache 使用STL-list
在LeetCode的题目中，考察list操作的比较少，所以这道题也算是经典了，只有17%的通过率也足以说明问题。STL的list模板是一个环形双链表，其支持链表的基本操作，并且封装了reverse、sort、merge、splice等算法，为链表的操作提供许多遍历，这篇博客会根据在STL源码分析中的内容进行简单介绍。
将阿里云OSS挂载为ESC本地盘
原文地址：教你如何简单将OSS bucket挂载成为阿里云ECS服务器本地盘
博主在CentOS7.3环境下测试有效，也就是说对于CentOS6到最新版本都可用，Ubuntu14.04以上也可用，详见原文。
使用OSS bucket作为挂载磁盘有如下好处：1.可以节约本地磁盘空间 2.使用ftp通过esc上传文件到oss可以避免oss外网流量，节省费用 3. 将网站本身的资源直接放置在OSS，方便直接使用CDN加速，而自己网站不用通过OSS的API进行上传修改操作。
算法导论总结（五）散列表
LeetCode刷了两百多题，再来一波总结，题目刷多了很多不做笔记就忘记了，这里也算是巩固一下。这一节主要总结散列表类型的题目。散列表、桶排序等算法最大的特点就是时间复杂度是O(1)。这对于需要考虑算法时间复杂度的题目来说提升是常常需要考虑的方法。这篇博客没有太多原理的解释，都是对着题目做的随手笔记 ，比较乱，请见谅。
算法的嵌入式移植（二）DSP优化
前面一个篇章：算法的嵌入式移植（一）C代码优化部分 侧重语言层面的优化，而更多针对DSP特性进行的优化将在本篇章进行介绍 ，内容大多是摘抄书本和网络资源，因为是整理以往的笔记，来源已经不可靠了，不过不影响其中内容的经典。
DJI校招提前批-算法工程师
2017-06-26创建：
LeetCode_210: CourseScheduleII 拓扑排序
这道题与前一版本207一样，只不过前一版本要求判断是否有环，而当前版本还要给出可行顺序，那么这个问题就自然而然的归为拓扑排序了。这篇博客将对有向图和无向图中是否存在环这一问题进行归纳，并且给出一个较为简洁的拓扑排序代码。拓扑排序，简单的说就是不断将度为0的点提取出来，提取的顺序就是拓扑排序。在算法导论中，给出了DFS和BFS解法，其中DFS采用完成时间倒序作为拓扑排序，我们需要了解拓扑排序问题的解法是多样的，这篇博客给出的代码不算唯一的。
算法的嵌入式移植（一）C代码优化
一般C/C++的算法代码不适合直接移植到嵌入式设备，需要做一些优化和处理。一方面是出于速度考虑，另一方面是针对嵌入式设备支持的语言特性差异进行修改，还有就是硬件上的考虑，比如就定点DSP而言，就需要将原来的浮点运算进行转化。
近期博主在整理以往笔记，就将算法嵌入式移植这部分差分成两个章节，一是C代码优化部分，二是DSP代码移植部分，第一章节是语言层面的一般而言是适合所有嵌入式设备的，第二章节是和DSP开发环境相关方面的。特此整理，谨供参考。
OpenCV特征点提取算法对比
除了我们熟知的SIFT、SURF、ORB等特征点提取算法，OpenCV中还提供了十余种特征点提取算法。最近在整理以往的ppt和报告，看到其中一页ppt，发现已经忘得差不多了，就再写篇博客复习下好了，这篇博客注重对比，技术方面的内容不会太过细致，希望能有帮助。当然，文章末尾会提供这些算法OpenCV调用的实例代码。
首先，引发内容的就是下面这张ppt：（不要注意Why Surf了，当时根据具体应用场景所做的选择）左边一栏是特征点的数目，右边一栏是检测的速度，数据是在博主自己的测试集（大概四五百张图片）上测试的。
点云数据处理方法概述
结束目标跟踪的研究，回到课题上，接下来要面对的就是点云数据的处理了。这篇博客主要介绍三维计算机视觉中点云数据处理面对的问题，主要方法和技术，概述其特点。这篇博客主要介绍最基本的点云数据处理技术和概念，不会有任何代码。
ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能，这篇博客也将粗略介绍。
LeetCode_174: Dungeon Game 动态规划
做了一道很有意思的题目，要求是从左上角开始，在HP不掉到0的情况下，到达右下角。虽然明显是使用动态规划来解，但是其中隐藏了一些技巧 。这里，如果从左上角开始进行DP将使得问题复杂化，技巧就是反向，从终点开始反向DP，这篇博客将详细这种方法的应用条件。
LeetCode_134: Gas Station
这道题目可以使用一般的DP来做，但是博主想到的方法更加直接：对于判断是否存在解，直接把数组累加，如果和非负，那么必然存在一个位置，使得从这个位置开始进行累加的所有结构都非负。在进行累加的过程中，找到累加和最小的位置，从这个位置的下一个位置开始，就可以保证在累加过程中，累加曲线的最小值最大（想象积分曲线的过程，积分的终点sum相同，一个先下降再上升，一个先上升再下降）。有点绕，多想想 ：)
算法导论总结（四）字符串运算
刷了150多道题，再来一发总结。再LeetCode中有一类题目，要求直接使用数字字符串进行运算，这类题目掌握技巧之后不容易出错，也比较简单，那么这篇博客将对这类题目进行总结，希望有所帮助。
LeetCode_068: Text Justification
又是一道通过率不过20%的题，总结这种通过率比较多的题目，发现其中很多原理并不难，导致通过率比较低的原因是各种极端情况，还有就是题目理解和表述不够清晰。比如自己实现Atoi，如果列出要处理的各种情况，写出来并不难。这道题也是一样，其实没什么难度，只是有些情况下，具体说来就是最后一行或者一行的最后一个单词，需要特殊处理。