多目标家庭行为检测--人脸识别模块构建
2024-06-05 22:48:06
文章目录
- 前言
- 原理
- 项目结构
- 编码
- 配置
- 主控函数
- 人脸采集模块
- 特征提取
- 识别
- 测试
前言
2023-3-18 天小雨，午觉舒适程度5颗星。任务完成指数2颗星。续接上文：《MidiaPipe +stgcn（时空图卷积网络）实现人体姿态判断（单目标）》，我们这边需要实现的是一个多目标的检测，并且我们期望能够适用在家庭这里领域，因此，在前者算法改进的基础上，我们还需要加入这个人脸识别模块。调某度这些现成的开发的API当然可以，但是自己搭建价更高，能装13还不用小钱钱，数据牢牢在手，主打的就是一个安全。
同样的，我们还是按照以前的习惯，一个模块一个模块来进行说明，写完之后的话，再进行完整版本的开源，但是每一个独立的模块都是开源直接使用的，这个可以放心，也就是说按照本文给到项目结构和代码，是可以直接复现运行的。但是这里声明一下，这个项目是一个综合项目，有算法，有前端，有后端，技术体系覆盖vue , python（fastapi），java(SpringBoot)开发这里开源的模块是算法模块。其他的模块不开源，因为这个也是我们技术团队做的一个大创项目，同时，这个项目也不算是个小项目，里面覆盖的技术不少，需要同时具备Python和Java开发能力以及以Python为体现的人工智能应用开发能力，所以就算开源全部模块，对于读者的要求是比较高的。
之后我要说明的一点是，本篇文章中的相当一部分代码，其实是通过NewBing和ChatGPT生成的，使用的第三方库是dlib，我的工作是负责将这些代码进行整合，修改，测试调整。
原理
首先这个人脸识别的原理的话，这个说实话相关的博文已经烂大街了，所以这里就简简单单的过一下。这里的话就主要说到我们这个自己用到的这个方法，因为相关的方法其实挺多了。那么原理的话首先是这个样子的：
首先这个是一张图片：
然后，我们识别出它的脸部，也就是这样：
然后呢我们提取出脸部的68个关键点
然后呢，我们在这个基础上提取出长度为128的特征向量：
之后呢，我们进行对比的时候呢，先识别出一个人A，按照同样的流程拿到，A的128的特征向量，然后呢，我们把这个向量和我们已经存起来了的向量给进行一个对比，也就是计算一下欧氏距离，然后呢，得到一个组距离，然后，我们得到距离最小的那个对应的名字就好了。
流程呢大概就是这样的：
项目结构
都说了是个大工厂哈，所以项目结构是这样的：
这里的话有三个文件注意一下：
然后这个依赖模型的话，可以在这里拿到，也可以自己去下载：
链接：https://pan.baidu.com/s/1PQOj_gPkTN9Od1PQDbeCtw
提取码：6666
其他的自己按照结构去创建就好了。
编码
okey, 现在流程搞清楚了，那么就开始组装代码了。
配置
首先是我们的这个配置项。
import dlib
import os"""
人脸识别配置
"""
class FACE_FILE(object):shape_predictor_path='alg/faceRec/data/data_dlib/shape_predictor_68_face_landmarks.dat'recognition_model_path='alg/faceRec/data/data_dlib/dlib_face_recognition_resnet_model_v1.dat'csv_base_path='alg/faceRec/data/csv/features.csv'faceData_path='alg/faceRec/data/faceData/'points_faceData_path='alg/faceRec/data/faceData_points/'faceName_path='alg/faceRec/data/faceName.txt'imgs_folder_path=os.listdir("alg/faceRec/data/faceData/")FACE_CONFIG={"max_collection_image": 50,"get_points_faceData_flag": True,"import_all_features_flag":True,"face_needTo_update":[x for x in range(1, 2)], #选择更新脸部的编号，从0开始"num_of_person_in_lib":len(FACE_FILE.imgs_folder_path),"recognition_threshold":0.43,"predictor": dlib.shape_predictor(FACE_FILE.shape_predictor_path),"recognition_model": dlib.face_recognition_model_v1(FACE_FILE.recognition_model_path),"detector":dlib.get_frontal_face_detector(),
}
"""
目标检测配置
"""
DECTION_CONFIG={}
主控函数
之后的，我们先来看到我们的这个主控函数是如何操作的。
我们这边的任何操作，都只能在主控文件同级目录下进行调用，原因无他，这个路径的问题，必须要进行一个统一。
import cv2 as cvfrom client.server.alg.faceRec.buildFace import BuildFace
from client.server.alg.faceRec.collection import Collection
from client.server.alg.faceRec.detectFace import DetectFacedef collection_face():cam = cv.VideoCapture(0)Collection().collection_cramer(cam)cam.release()cv.destroyAllWindows()print("采集完毕,程序退出!!")def build_face():build = BuildFace()build.building_all()def detect_face():cam = cv.VideoCapture(0)process = DetectFace()process.detect_from_cam(cam)
if __name__ == '__main__':# collection_face()# build_face()detect_face()
调用的话其实非常简单，所以非常容易就可以做整合，用在具体的功能模块当中。
人脸采集模块
接下来就是我们的这个采集模块，作用很简单，就是读取到视频流，然后呢，去识别到头像，然后裁剪，然后保存在目录下：
"""
负责收集人脸关键点位
"""
import cv2 as cv
import time
import os
from client.server.config import FACE_FILE,FACE_CONFIGclass Collection(object):"""提供两种解析方式：1. 通过opencv的VideoCapture 进行读取，然后得到图像2. 通过图像进行解析，读取，同时得到框出头像之后的图像"""def __init__(self):self.start_time = 0self.fps = 0self.image = Noneself.face_img = Noneself.face_num = 0self.last_face_num = 0self.face_num_change_flag = Falseself.quit_flag = Falseself.buildNewFolder = False # 按下"n"新建文件夹标志位self.save_flag = False # 按下“s”保存人脸数据标志位self.face_flag = Falseself.img_num = 0self.collect_face_data = Truedef get_fps(self):now = time.time()time_period = now - self.start_timeself.fps = 1.0 / time_periodself.start_time = nowcolor = (0,255,0)if self.fps < 15:color = (0,0,255)cv.putText(self.image, str(self.fps.__round__(2)), (20, 50), cv.FONT_HERSHEY_DUPLEX, 1, color)def save_face_image(self,build_path):buildFile = build_pathif(not build_path):buildFile = FACE_FILE.faceData_path + 'person_{}'.format(FACE_CONFIG.get("num_of_person_in_lib"))if(os.path.exists(buildFile)):self.buildNewFolder = Trueelse:os.makedirs(buildFile)FACE_CONFIG["num_of_person_in_lib"] = FACE_CONFIG.get("num_of_person_in_lib") + 1print("存放人脸数据的文件夹创建成功！！！")self.buildNewFolder = Trueif (self.collect_face_data == True and self.buildNewFolder == True):if (self.face_img.size > 0):cv.imwrite(FACE_FILE.faceData_path + 'person_{}/{}.png'.format(FACE_CONFIG.get("num_of_person_in_lib") - 1, self.img_num),self.face_img)self.img_num += 1def key_scan(self, key):if self.collect_face_data == True:if self.save_flag == True and self.buildNewFolder == True:if self.face_img.size > 0:cv.imwrite(FACE_FILE.faceData_path + 'person_{}/{}.png'.format(FACE_CONFIG.get("num_of_person_in_lib") - 1, self.img_num),self.face_img)self.img_num += 1if key == ord('s'):self.save_flag = not self.save_flagif key == ord('n'):os.makedirs(FACE_FILE.faceData_path + 'person_{}'.format(FACE_CONFIG.get("num_of_person_in_lib")))FACE_CONFIG["num_of_person_in_lib"] = FACE_CONFIG.get("num_of_person_in_lib")+1print("新文件夹建立成功!!")self.buildNewFolder = Trueif key == ord('q'): self.quit_flag = Truedef face_detecting(self):face_location = []all_face_location = []faces = FACE_CONFIG.get("detector")(self.image, 0)self.face_num = len(faces)if self.face_num != self.last_face_num:self.face_num_change_flag = True# print("脸数改变，由{}张变为{}张".format(self.last_face_num, self.face_num))self.check_times = 0self.last_face_num = self.face_numelse:self.face_num_change_flag = Falseif len(faces) != 0:self.face_flag = Truefor i, face in enumerate(faces):face_location.append(face)w, h = (face.right() - face.left()), (face.bottom() - face.top())left, right, top, bottom = face.left() - w//4, face.right() + w//4, face.top() - h//2, face.bottom() + h//4all_face_location.append([left, right, top, bottom])return face_location, all_face_locationelse:self.face_flag = Falsereturn Nonedef collection_cramer(self, camera,show=True):""":param camera: 摄像头视频/读取视频:param show: 是否要展示框选出头像:return:当处理完毕之后，将保持到好识别出来的头像"""while camera.isOpened() and not self.quit_flag:val, self.image = camera.read()if val == False: continuekey = cv.waitKey(1)res = self.face_detecting()if res is not None:_, all_face_location = resfor i in range(self.face_num):[left, right, top, bottom] = all_face_location[i]self.face_img = self.image[top:bottom, left:right]cv.rectangle(self.image, (left, top), (right, bottom), (0, 0, 255))if self.collect_face_data == True:cv.putText(self.image, "Face", (int((left + right) / 2) - 50, bottom + 20), cv.FONT_HERSHEY_COMPLEX, 1,(255, 255, 255))self.key_scan(key)self.get_fps()cv.namedWindow('camera', 0)if(show):cv.imshow('camera', self.image)if(self.img_num>=FACE_CONFIG.get("max_collection_image")):print("采集完毕！！！")breakcamera.release()cv.destroyAllWindows()def collection_images(self,images,save_path=None):""":param images: 图片，类型是图片数组，并且对象是opencv读取的图像对象:param save_path: 图片保存的路径:return:如果，传入的图像路径为None的话，那么这里就执行默认的策略，也就是增量修改人物模型如果传入的图像有路径的话，那么就直接保存到那里面去"""for image in images:self.image = imageres = self.face_detecting()if res is not None:_, all_face_location = resfor i in range(self.face_num):[left, right, top, bottom] = all_face_location[i]self.face_img = self.image[top:bottom, left:right]cv.rectangle(self.image, (left, top), (right, bottom), (0, 0, 255))if self.collect_face_data == True:cv.putText(self.image, "Face", (int((left + right) / 2) - 50, bottom + 20), cv.FONT_HERSHEY_COMPLEX, 1,(255, 255, 255))self.save_face_image(save_path)特征提取
这个特征向量的获取的话，其实是分两个部分的，当然最后我们暴露出来就只是一个方法罢了。这个特征提取就是建立连接的过程，也就是存储这个特征。
"""
负责读取采集到的人脸图像，然后去构建人脸对应的信息
"""
import cv2 as cv
import os
import numpy as np
import csvfrom tqdm import tqdm
import shutil
from client.server.config import FACE_FILE,FACE_CONFIGclass BuildFace():def write2csv(self,data, mode):"""更新csv文件当中的数据（这里面存储的是我们人脸的特征）:param data::param mode::return:"""with open(FACE_FILE.csv_base_path, mode, newline='') as wf:csv_writer = csv.writer(wf)csv_writer.writerow(data)def get_features_from_csv(self):features_in_csv = []with open(FACE_FILE.csv_base_path, 'r') as rf:csv_reader = csv.reader(rf)for row in csv_reader:for i in range(0, 128):row[i] = float(row[i])features_in_csv.append(row)return features_in_csvdef save_select_in_csv(self,data):"""选择性更新人脸数据:param data::return:"""features_in_csv = self.get_features_from_csv()with open(FACE_FILE.csv_base_path, 'w', newline='') as wf:csv_writer = csv.writer(wf)for index, i in enumerate(FACE_CONFIG.get("face_needTo_update")):features_in_csv[i] = data[index]csv_writer.writerow(features_in_csv[0])with open(FACE_FILE.csv_base_path, 'a+', newline='') as af:csv_writer = csv.writer(af)for j in range(1, len(features_in_csv)):csv_writer.writerow(features_in_csv[j])print("csv文件更新完成!!")def get_128_features(self,person_index):""":param person_index: person_index代表第几个人脸数据文件夹:return:"""num = 0features = []imgs_folder = FACE_FILE.imgs_folder_path[person_index]points_faceImage_path = FACE_FILE.points_faceData_path + imgs_folderimgs_path = FACE_FILE.faceData_path + imgs_folder + '/'list_imgs = os.listdir(imgs_path)imgs_num = len(list_imgs)if os.path.exists(FACE_FILE.points_faceData_path + imgs_folder):shutil.rmtree(points_faceImage_path)os.makedirs(points_faceImage_path)print("人脸点图文件夹建立成功!!")with tqdm(total=imgs_num) as pbar:pbar.set_description(str(imgs_folder))for j in range(imgs_num):image = cv.imread(os.path.join(imgs_path, list_imgs[j]))faces = FACE_CONFIG.get("detector")(image, 1)if len(faces) != 0:for z, face in enumerate(faces):shape = FACE_CONFIG.get("predictor")(image, face)w, h = (face.right() - face.left()), (face.bottom() - face.top())left, right, top, bottom = face.left() - w // 4, face.right() + w // 4, face.top() - h // 2, face.bottom() + h // 4im = imagecv.rectangle(im, (left, top), (right, bottom), (0, 0, 255))cv.imwrite(points_faceImage_path + '/{}.png'.format(j), im)if (FACE_CONFIG.get("get_points_faceData_flag") == True):for p in range(0, 68):cv.circle(image, (shape.part(p).x, shape.part(p).y), 2, (0,0,255))cv.imwrite(points_faceImage_path + '/{}.png'.format(j), image)the_features = list(FACE_CONFIG.get("recognition_model").compute_face_descriptor(image, shape)) # 获取128维特征向量features.append(the_features)num += 1pbar.update(1)np_f = np.array(features)res = np.median(np_f, axis=0)return resdef building_form_config(self):if (FACE_CONFIG.get("import_all_features_flag") == True):self.building_all()else:peoples = FACE_CONFIG.get("face_needTo_update")self.building_select(peoples)def building_all(self):res = self.get_128_features(person_index=0)self.write2csv(res, 'w')for i in range(1, FACE_CONFIG.get("num_of_person_in_lib")):res = self.get_128_features(person_index=i)self.write2csv(res, 'a+')def building_select(self,peoples):"""更新某几个人脸，传入对应的下标编号,例如：[0,2,4]:param peoples::return:"""select_res = []for i in peoples:res = self.get_128_features(person_index=i)select_res.append(res)self.save_select_in_csv(select_res)识别
识别的话，这里也是有两个方法，一个是直接给你一张图片，然后返回到里面的人脸名称，还有一个就是视频直接显示读取，这个看你怎么用，如果你是做QT桌面开发，或者web开发并且需要持续显示视频的话，用这个方法不错，但是算力就上去了，我这边还需要跑别的算法，只有当那个算法执行完毕之后，并且被出发了机制我才会进行人脸识别。
"""
负责
"""import numpy as np
import csvimport cv2 as cvfrom client.server.config import FACE_CONFIG,FACE_FILE
from client.server.alg.faceRec.collection import Collectionclass DetectFace(Collection):def __init__(self):super(DetectFace, self).__init__()self.available_max_face_num = 50self.collect_face_data = False# 人脸识别过程不采集数据，固定为Falseself.all_features = []# 存储库中所有特征向量self.check_features_from_cam = []# 存储五次检测过程，每次得到的特征向量self.person_name = []# 存储的人名映射self.all_name = []# 存储预测到的所有人名self.all_face_location = None# 存储一帧中所有人脸的坐标self.middle_point = None# 存储一张人脸的中心点坐标self.last_frame_middle_point = []# 存储上一帧所有人脸的中心点坐标self.all_e_distance = []# 存储当前人脸与库中所有人脸特征的欧氏距离self.last_now_middlePoint_eDistance = [66666] * (self.available_max_face_num + 10)# 存储这帧与上一帧每张人脸中心点的欧氏距离self.init_process()for i in range(self.available_max_face_num):self.all_e_distance.append([])self.person_name.append([])self.check_features_from_cam.append([])self.last_frame_middle_point.append([])def get_feature_in_csv(self):# 获得库内所有特征向量datas = csv.reader(open(FACE_FILE.csv_base_path, 'r'))for row in datas:for i in range(128):row[i] = float(row[i])self.all_features.append(row)def get_faceName(self):# 所有对应的人名with open(FACE_FILE.faceName_path, 'r', encoding='utf-8') as f:datas = f.readlines()for line in datas:self.all_name.append(line[:-1])print("已经录入的人名有：{}".format(self.all_name))def calculate_EuclideanDistance(self, feature1, feature2): # 计算欧氏距离np_feature1 = np.array(feature1)np_feature2 = np.array(feature2)EuclideanDistance = np.sqrt(np.sum(np.square(np_feature1 - np_feature2)))return EuclideanDistancedef meadian_filter(self, the_list, num_of_data):np_list = np.array(the_list)feature_max = np.max(np_list, axis=0)feature_min = np.min(np_list, axis=0)res = (np.sum(np_list, axis=0) - feature_max - feature_min) / (num_of_data - 2)res.tolist()return resdef middle_filter(self, the_list):np_list = np.array(the_list)return np.median(np_list, axis=0)def init_process(self):self.get_feature_in_csv()self.get_faceName()def track_link(self):# 让后续帧的序号与初始帧的序号对应for index in range(self.face_num):self.last_now_middlePoint_eDistance[index] = self.calculate_EuclideanDistance(self.middle_point,self.last_frame_middle_point[index])this_face_index = self.last_now_middlePoint_eDistance.index(min(self.last_now_middlePoint_eDistance))self.last_frame_middle_point[this_face_index] = self.middle_pointreturn this_face_indexdef detect_from_image(self,image):"""直接识别一张图片当中的人脸，这个开销是最小的，当然这个精确度嘛，没有直接读取视频好一点因为那个的话确定了好几帧的情况，这个的话只是单张图像的。返回的是一个图像的人名列表但是实际上的话，我们其实送入的图像其实只会有一个人头像，多目标检测，我们也是把一张图像对多个目标进行截取，然后进行识别，因为需要确定每个人物的序。:param image::param show::return:"""self.image = image# self.image = cv.imread('.test_1.jpg')res = self.face_detecting()names = []if res is not None:face, self.all_face_location = resmax_it = self.face_num if self.face_num < len(res) else len(res)for i in range(max_it):[left, right, top, bottom] = self.all_face_location[i]self.middle_point = [(left + right) / 2, (top + bottom) / 2]self.face_img = self.image[top:bottom, left:right]cv.rectangle(self.image, (left, top), (right, bottom), (0, 0, 255))shape = FACE_CONFIG.get("predictor")(self.image, face[i])the_features_from_image = list(FACE_CONFIG.get("recognition_model").compute_face_descriptor(self.image, shape))e_distance = []for features in self.all_features:e_distance.append(self.calculate_EuclideanDistance(the_features_from_image,features))if(min(e_distance)<FACE_CONFIG.get("recognition_threshold")):max_index = int(np.argmin(e_distance))names.append(self.all_name[max_index])return namesdef detect_from_cam(self,camera):"""这里的话，和我们采集是一样的，就是传入这个camera对象就好了:return:"""while camera.isOpened() and not self.quit_flag:val, self.image = camera.read()if val == False: continuekey = cv.waitKey(1)res = self.face_detecting() # 0.038sif res is not None:face, self.all_face_location = resfor i in range(self.face_num):[left, right, top, bottom] = self.all_face_location[i]self.middle_point = [(left + right) / 2, (top + bottom) / 2]self.face_img = self.image[top:bottom, left:right]cv.rectangle(self.image, (left, top), (right, bottom), (0, 0, 255))shape = FACE_CONFIG.get("predictor")(self.image, face[i]) # 0.002sif self.face_num_change_flag == True or self.check_times <= 5:if self.face_num_change_flag == True: # 人脸数量有变化，重新进行五次检测self.check_times = 0self.last_now_middlePoint_eDistance = [66666 for _ in range(self.available_max_face_num)]for z in range(self.available_max_face_num):self.check_features_from_cam[z] = []if self.check_times < 5:the_features_from_cam = list(FACE_CONFIG.get("recognition_model").compute_face_descriptor(self.image, shape))if self.check_times == 0: # 初始帧self.check_features_from_cam[i].append(the_features_from_cam)self.last_frame_middle_point[i] = self.middle_pointelse:this_face_index = self.track_link() # 后续帧需要与初始帧的人脸序号对应self.check_features_from_cam[this_face_index].append(the_features_from_cam)elif self.check_times == 5:features_after_filter = self.middle_filter(self.check_features_from_cam[i])self.check_features_from_cam[i] = []for person in range(FACE_CONFIG.get("num_of_person_in_lib")):e_distance = self.calculate_EuclideanDistance(self.all_features[person],features_after_filter)self.all_e_distance[i].append(e_distance)if min(self.all_e_distance[i]) < FACE_CONFIG.get("recognition_threshold"):self.person_name[i] = self.all_name[self.all_e_distance[i].index(min(self.all_e_distance[i]))]cv.putText(self.image, self.person_name[i],(int((left + right) / 2) - 50, bottom + 20),cv.FONT_HERSHEY_SIMPLEX, 0.75, (0, 0, 255), 2)else:self.person_name[i] = "Unknown"else:this_face_index = self.track_link()cv.putText(self.image, self.person_name[this_face_index],(int((left + right) / 2) - 50, bottom + 20),cv.FONT_HERSHEY_SIMPLEX, 0.75, (0, 0, 255), 2)self.check_times += 1for j in range(self.available_max_face_num):self.all_e_distance[j] = []"""在这里的话，n,s是不会触发的，这里只是用一下这个q而已，也就是退出"""self.key_scan(key)self.get_fps()cv.namedWindow('camera', 0)cv.imshow('camera', self.image)camera.release()cv.destroyAllWindows()测试
最后的话就是这个测试。
多目标家庭行为检测--人脸识别模块构建相关推荐
- 人脸离线识别模块_人脸识别模块做到市场份额60%，这家AI公司如何用狼性在安防杀开一条血道？...
导读 "我们是行业内的隐形冠军,只是很少对外说自己的成绩,但事实是我们从2014年就开始做人脸识别模组,市场上非常有名的门禁系统厂商基本都是我们的客户." 瑞为技术安防事业部总经理 ...
- B42 - 基于STM32单片机与K210人脸识别模块的儿童滞留小车报警系统
任务 汽车正常运行状态,则一切正常,系统正常工作:若汽车处于停滞锁车状态,则本系统开始工作.此时就会监测在无大人的情况下,是否车内还有小孩,若有小孩,则当车内温度等升高到一定阈值的时候,就会进行报警提 ...
- MF0 AI+IoT K210 人脸识别模块 应用笔记-（1）
01 人脸识别模板 人脸识别应用随着微型摄像头的性能.微处理器的算力的增加已经增进平常应用场合.因此也称为很多中学生.大学生制作电子创意.创新.创业方面的选题之一. 选择合适的人脸识别模块是制作作品成 ...
- 百度人脸识别模块使用分享
[本文出自APICloud官方论坛,感谢鲍永道的分享.] 首先介绍下百度人脸识别模块(baiduFaceRec): baiduFaceRec模块封装了百度AI人脸识别功能,使用此模块可实现百度人脸检测 ...
- face_recognition人脸识别模块的使用教程
face_recognition人脸识别模块的使用教程 文章目录: 一.face_recognition模块介绍 二.face_recognition模块的使用和案例介绍 为什么要用这个,当然是简单快 ...
- OpenCV4.5.4 DNN人脸识别模块使用介绍--如何快速搭建一个人脸识别系统
点击下方卡片,关注"OpenCV与AI深度学习" 视觉/图像重磅干货,第一时间送达 导读 本文主要介绍OpenCV4.5.4中人脸识别模块的使用和简易人脸识别系统的搭建,供大家参考 ...
- STM32驱动K210人脸识别模块经验汇总
本次是基于HLK-KT210 AI人脸识别模块和STM32单片机进行设计的人脸识别项目.主要是人脸识别功能的分析和使用. 1 模块连接 本次使用了海凌科生产的DEMO板,但是由于板子的客观因素,TTL ...
- android 百度人脸识别,百度人脸识别模块使用分享
[本文出自APICloud官方论坛,感谢鲍永道的分享.] 首先介绍下百度人脸识别模块(baiduFaceRec): baiduFaceRec模块封装了百度AI人脸识别功能,使用此模块可实现百度人脸检测 ...
- OpenCV3.3人脸识别模块的API的变化
OpenCV3.3人脸识别模块的API的变化 1. 前言 开始用最新版的OpenCV进行人脸识别的小伙伴也许已经发现了,人脸识别的最新API变化了.这也正是人脸识别等contrib模块没有放到主仓库的 ...
最新文章
- GO语言struct语法
- MDT2012部署问题，MDT中的驱动是如何工作的
- scrapy拒绝访问
- Ch4201-楼兰图腾【树状数组】
- 高清网络视频无损FLV教程
- 三个小白是如何在三个月内搭一个基于kaldi的嵌入式在线语音识别系统的
- vue项目打包，生成dist文件夹，如何修改文件夹的名字
- 几种Id生成策略方法
- 《计算机系统：系统架构与操作系统的高度集成》——2.5 高级数据抽象
- Mac打包生成加密dmg
- std::setw的坑
- 2021年全球网络保险收入大约9593.9百万美元，预计2028年达到68230百万美元，2022至2028期间，年复合增长率CAGR为35.1%
- 水果店的售价应该怎么来定，水果店怎样确定价格
- ActiveMQ not running
- php限制选择图片数量,ImagePicker组件，限制选择图片数量上限（selectable={images.length 3} ）失败...
- 【DP】【高精】WZK打雪仗
- 西门子——不同数据的存储方式
- 一台计算机怎么弄2个登录桌面,一台主机两个显示器,小编教你电脑两个显示器怎么设置...
- 关于数据库的网络存储
- 微信可以改彩色昵称了！！！太sao了吧！