opencv基于PCA降维算法的人脸识别（att_faces）

一、数据提取与处理

# 导入所需模块

import matplotlib.pyplot as plt

import numpy as np

import os

import cv2


# plt显示灰度图片

def plt_show(img):

    plt.imshow(img,cmap='gray')

    plt.show()


# 读取一个文件夹下的所有图片，输入参数是文件名，返回文件地址列表

def read_directory(directory_name):

    faces_addr = []

    for filename in os.listdir(directory_name):

        faces_addr.append(directory_name + "/" + filename)

    return faces_addr


# 读取所有人脸文件夹,保存图像地址在列表中

faces = []

for i in range(1,42):

    faces_addr = read_directory('./att_faces/s'+str(i))

    for addr in faces_addr:

        faces.append(addr)


# 读取图片数据,生成列表标签

images = []

labels = []

for index,face in enumerate(faces):

    image = cv2.imread(face,0)

    images.append(image)

    labels.append(int(index/10+1))

print(len(labels))

print(len(images))

print(type(images[0]))

print(labels)


410

410

<class 'numpy.ndarray'>

[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 13, 13, 13, 13, 13, 13, 13, 13, 13, 13, 14, 14, 14, 14, 14, 14, 14, 14, 14, 14, 15, 15, 15, 15, 15, 15, 15, 15, 15, 15, 16, 16, 16, 16, 16, 16, 16, 16, 16, 16, 17, 17, 17, 17, 17, 17, 17, 17, 17, 17, 18, 18, 18, 18, 18, 18, 18, 18, 18, 18, 19, 19, 19, 19, 19, 19, 19, 19, 19, 19, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 24, 24, 24, 24, 24, 24, 24, 24, 24, 24, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 26, 26, 26, 26, 26, 26, 26, 26, 26, 26, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 28, 28, 28, 28, 28, 28, 28, 28, 28, 28, 29, 29, 29, 29, 29, 29, 29, 29, 29, 29, 30, 30, 30, 30, 30, 30, 30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 31, 31, 31, 31, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 34, 34, 34, 34, 34, 34, 34, 34, 34, 34, 35, 35, 35, 35, 35, 35, 35, 35, 35, 35, 36, 36, 36, 36, 36, 36, 36, 36, 36, 36, 37, 37, 37, 37, 37, 37, 37, 37, 37, 37, 38, 38, 38, 38, 38, 38, 38, 38, 38, 38, 39, 39, 39, 39, 39, 39, 39, 39, 39, 39, 40, 40, 40, 40, 40, 40, 40, 40, 40, 40, 41, 41, 41, 41, 41, 41, 41, 41, 41, 41]


# 画出最后两组人脸图像

#创建画布和子图对象

fig, axes = plt.subplots(2,10

                       ,figsize=(15,4)

                       ,subplot_kw = {"xticks":[],"yticks":[]} #不要显示坐标轴

                       )

#填充图像

for i, ax in enumerate(axes.flat):

    ax.imshow(images[i+390],cmap="gray") #选择色彩的模式

二、PCA降低维度

# 图像数据转换特征矩阵

image_data = []

for image in images:

    data = image.flatten()

    image_data.append(data)

print(image_data[0].shape)


(10304,)


# 转换为numpy数组

X = np.array(image_data)

y = np.array(labels)

print(type(X))

print(X.shape)


<class 'numpy.ndarray'>

(410, 10304)

PCA变换原理。在人脸识别过程中，一般把图片看成是向量进行处理，高等数学中我们接触的一般都是二维或三维向量，向量的维数是根据组成向量的变量个数来定的，例如就是一个二维向量，因为其有两个参量。而在将一幅图像抽象为一个向量的过程中，我们把图像的每个像素定为一维，对于一幅的普通图像来说，最后抽象为一个维的高维向量，如此庞大的维数对于后续图像计算式来说相当困难，因此有必要在尽可能不丢失重要信息的前提下降低图像维数，PCA就是降低图像维数的一种方法。图像在经过PCA变换之后，可以保留任意数量的对图像特征贡献较大的维数分量，也就是你可以选择降维到30维或者90维或者其他，当然最后保留的维数越多，图像丢失的信息越少，但计算越复杂。

参考博客：https://blog.csdn.net/qq_37791134/article/details/81387813

# 导入sklearn的pca模块

from sklearn.decomposition import PCA

from sklearn.model_selection import train_test_split


# 画出特征矩阵

import pandas as pd

data = pd.DataFrame(X)

data.head()

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}
0 1 2 3 4 5 6 7 8 9 ... 10294 10295 10296 10297 10298 10299 10300 10301 10302 10303
0 48 49 45 47 49 57 39 42 53 49 ... 39 44 40 41 49 42 44 47 46 46
1 34 34 33 32 38 40 39 49 54 57 ... 42 44 38 30 37 30 36 37 40 33
2 60 60 62 53 48 51 61 60 71 68 ... 27 35 28 33 31 31 37 32 34 34
3 39 44 53 37 61 48 61 45 35 40 ... 23 30 36 32 28 32 31 29 26 29
4 63 53 35 36 33 34 31 35 39 43 ... 173 169 166 161 158 169 137 41 10 24

5 rows × 10304 columns

# 划分数据集

x_train,x_test,y_train,y_test = train_test_split(X, y, test_size=0.2)


# 训练PCA模型

pca=PCA(n_components=100)

pca.fit(x_train)


PCA(copy=True, iterated_power='auto', n_components=100, random_state=None,

    svd_solver='auto', tol=0.0, whiten=False)


# 返回测试集和训练集降维后的数据集

x_train_pca = pca.transform(x_train)

x_test_pca = pca.transform(x_test)

print(x_train_pca.shape)

print(x_test_pca.shape)


(328, 100)

(82, 100)


V = pca.components_

V.shape


(100, 10304)


# 100个特征脸

#创建画布和子图对象

fig, axes = plt.subplots(10,10

                       ,figsize=(15,15)

                       ,subplot_kw = {"xticks":[],"yticks":[]} #不要显示坐标轴

                       )

#填充图像

for i, ax in enumerate(axes.flat):

    ax.imshow(V[i,:].reshape(112,92),cmap="gray") #选择色彩的模式



# 改选择多少个特征呢？

#属性explained_variance_ratio，查看降维后每个新特征向量所占的信息量占原始数据总信息量的百分比

#又叫做可解释方差贡献率

pca.explained_variance_ratio_


array([0.16754406, 0.11712118, 0.08050592, 0.05800583, 0.04899411,

       0.03236304, 0.02552568, 0.02246334, 0.02105942, 0.01869678,

       0.01492577, 0.01452819, 0.01195689, 0.01106418, 0.01061136,

       0.00920361, 0.00893044, 0.00841665, 0.00815548, 0.00745415,

       0.00684847, 0.00674609, 0.00641437, 0.00555017, 0.00533678,

       0.00511044, 0.00498169, 0.00493545, 0.00477643, 0.0046901 ,

       0.00452947, 0.00443995, 0.00424948, 0.00415627, 0.00402244,

       0.00391703, 0.00380438, 0.00365518, 0.00347555, 0.00338822,

       0.00325   , 0.00306806, 0.00305956, 0.00297671, 0.00286721,

       0.00281228, 0.00272433, 0.00266031, 0.00257338, 0.00251557,

       0.00247235, 0.00243605, 0.00236254, 0.00232992, 0.00225821,

       0.00221418, 0.00217406, 0.00213639, 0.00203163, 0.00199645,

       0.00194659, 0.00193678, 0.00187899, 0.00186114, 0.00181597,

       0.00178071, 0.0017298 , 0.00171467, 0.00166234, 0.00163148,

       0.00160447, 0.00157375, 0.00155019, 0.00154325, 0.00152017,

       0.00149426, 0.00147426, 0.00145617, 0.00143343, 0.00140277,

       0.00138425, 0.00135825, 0.00134036, 0.00133259, 0.00129024,

       0.00126753, 0.00124071, 0.00123078, 0.00121395, 0.00119294,

       0.00116697, 0.00115547, 0.00111406, 0.00111104, 0.00109964,

       0.00107608, 0.00106702, 0.00105275, 0.00102797, 0.00100745])


# 返回特征所携带的数据是原始数据的多少

pca.explained_variance_ratio_.sum()


0.9002145083699277


# 画出特征个数和所携带信息数的曲线图

explained_variance_ratio = []

for i in range(1,151):

    pca=PCA(n_components=i).fit(x_train)

    explained_variance_ratio.append(pca.explained_variance_ratio_.sum())

plt.plot(range(1,151),explained_variance_ratio)

plt.show()

三、使用OpenCV的EigenFace算法进行识别

原理：将训练集图像和测试集图像都投影到特征向量空间中，再使用聚类方法（最近邻或k近邻等）得到里测试集中的每个图像最近的图像，进行分类即可。

cv2.face.EigenFaceRecognizer_create()创建人脸识别的模型，通过图像数组和对应标签数组来训练模型

predict()函数进行人脸预测，该函数会返回两个元素的数组

  • 第一个是识别个体的标签，
  • 第二个是置信度，越小匹配度越高，0表示完全匹配。

getEigenValues() 获得特征值

getEigenVectors() 特征向量

getMean() 均值

# 模型创建与训练

model = cv2.face.EigenFaceRecognizer_create()

model.train(x_train,y_train)


# 预测

res = model.predict(x_test[0])

print(res)


(6, 1786.5044335243144)


y_test[0]


6


# 测试数据集的准确率

ress = []

true = 0

for i in range(len(y_test)):

    res = model.predict(x_test[i])

#     print(res[0])

    if y_test[i] == res[0]:

        true = true+1

    else:

        print(i)

print('测试集识别准确率：%.2f'% (true/len(y_test)))


8

35

测试集识别准确率：0.98


# 平均脸

mean = model.getMean()

print(mean)

meanFace = mean.reshape(112,92)

plt_show(meanFace)


[[86.65243902 86.85670732 87.47865854 ... 77.02134146 76.27439024

  75.65243902]]

四、自定义图片测试

# 降维

pca=PCA(n_components=100)

pca.fit(X)

X = pca.transform(X)


# 将所有数据都用作训练集

# 模型创建与训练

model = cv2.face.EigenFaceRecognizer_create()

model.train(X,y)


# plt显示彩色图片

def plt_show0(img):

    b,g,r = cv2.split(img)

    img = cv2.merge([r, g, b])

    plt.imshow(img)

    plt.show()


# 输入图片识别

img = cv2.imread('./att_faces/test.jpg')

plt_show0(img)

print(img.shape)



# 灰度处理

img = cv2.imread('./att_faces/test.jpg',0)

plt_show(img)


imgs = []

imgs.append(img)


# 特征矩阵

image_data = []

for img in imgs:

    data = img.flatten()

    image_data.append(data)


test = np.array(image_data)

test.shape


(1, 10304)


# 用训练好的pca模型给图片降维

test = pca.transform(test)

test[0].shape


(100,)


res = model.predict(test)


res


(41, 4308.711798033283)


print('人脸识别结果：',res[0])


人脸识别结果： 41

五、OpenCV中的简单人脸检测

# 加载人脸检测模型

face_engine = cv2.CascadeClassifier(cv2.data.haarcascades+'haarcascade_frontalface_default.xml')


img = cv2.imread('./image/image.jpg')

plt_show0(img)



# 复制图像灰度处理

img_ = img.copy()

gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)


# 检测人脸获取人脸区域

faces = face_engine.detectMultiScale(gray)


# 将检测出的人脸可视化

for(x, y, w, h) in faces:

    cv2.rectangle(img_, (x, y), (x + w, y + h), (0, 0, 255), 3)

    plt_show0(img_)

    face = img[y:y + w, x:x + h]

    plt_show0(face)

总结

可使用人脸检测得到图片，在对图片进行其他的一些操作，在进行人脸识别，特别注意尺寸要和训练的图片一致

项目可以更加完善，但pca降维算法在实际的使用中非常有效，一定要掌握与使用

备注：

  • 基于sklearn中pca算法和OpenCV特征脸算法的人脸识别项目
  • 2020-4-28
  • 曾强

opencv基于PCA降维算法的人脸识别（yalefaces）

from sklearn.decomposition import PCA

import matplotlib.pyplot as plt

import numpy as np

import os

import cv2

import imageio


# plt显示灰度图片

def plt_show(img):

    plt.imshow(img,cmap='gray')

    plt.show()


nameList = ['01','02','03','04','05','06','07','08','09','10','11','12','13','14','15']

characteristic = ['centerlight','glasses','happy','leftlight','noglasses','rightlight','sad','sleepy','surprised','wink']


faces = []

for name in nameList:

    for character in characteristic:

        src = './yalefaces/faces/subject'+ name +'.'+character

        img = imageio.imread(src)

        faces.append(img)


len(faces)


150


labels = []

for name in nameList:

    for i in range(10):

        labels.append(int(name))

len(labels)


150


image_data = []

for image in faces:

    data = image.flatten()

    image_data.append(data)


X = np.array(image_data)

y = np.array(labels)

X.shape


(150, 77760)


from sklearn.decomposition import PCA

from sklearn.model_selection import train_test_split


import pandas as pd

data = pd.DataFrame(X)

data.head()

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}
0 1 2 3 4 5 6 7 8 9 ... 77750 77751 77752 77753 77754 77755 77756 77757 77758 77759
0 130 130 130 130 130 130 130 130 130 130 ... 68 68 68 68 68 68 68 68 68 68
1 130 130 130 130 130 130 130 130 130 130 ... 68 68 68 68 68 68 68 68 68 68
2 130 130 130 130 130 130 130 130 130 130 ... 68 68 68 68 68 68 68 68 68 68
3 130 130 130 130 130 130 130 130 130 129 ... 68 68 68 68 68 68 68 68 68 68
4 130 130 130 130 130 130 130 130 130 130 ... 68 68 68 68 68 68 68 68 68 68

5 rows × 77760 columns

x_train,x_test,y_train,y_test = train_test_split(X, y, test_size=0.2)

y_test


array([13, 12,  9,  7, 15,  9,  3,  5, 12,  9,  5, 13,  1, 10, 12, 13,  9,

        6, 12,  6,  1,  2,  6,  1,  7,  2,  8,  1,  3, 12])


#先训练PCA模型

pca=PCA(n_components=60)

pca.fit(x_train)


PCA(copy=True, iterated_power='auto', n_components=60, random_state=None,

    svd_solver='auto', tol=0.0, whiten=False)


# 返回测试集和训练集降维后的数据集

x_train_pca = pca.transform(x_train)

x_test_pca = pca.transform(x_test)

print(x_train_pca.shape)

print(x_test_pca.shape)


(120, 60)

(30, 60)


pca.explained_variance_


array([1.08422936e+08, 4.66350537e+07, 3.07918180e+07, 2.64046838e+07,

       1.75413992e+07, 1.60852267e+07, 9.78916417e+06, 7.52160385e+06,

       6.88799618e+06, 6.66114015e+06, 4.63862806e+06, 3.90812976e+06,

       3.48376116e+06, 3.18737747e+06, 3.06254146e+06, 2.75505745e+06,

       2.67162174e+06, 2.40860869e+06, 2.29132186e+06, 1.99029494e+06,

       1.91040434e+06, 1.62767018e+06, 1.51547238e+06, 1.41752277e+06,

       1.37872739e+06, 1.28054296e+06, 1.15090468e+06, 1.10293253e+06,

       1.06338859e+06, 1.02508177e+06, 9.37512997e+05, 8.71844988e+05,

       8.27272967e+05, 8.00608330e+05, 7.86361786e+05, 7.62182396e+05,

       7.22127119e+05, 7.14440493e+05, 6.70731109e+05, 6.51273242e+05,

       6.44085041e+05, 6.38427776e+05, 5.90752701e+05, 5.67930714e+05,

       5.50766567e+05, 5.43246428e+05, 5.25706169e+05, 5.15642292e+05,

       4.87835392e+05, 4.64595068e+05, 4.60028444e+05, 4.52881987e+05,

       4.39019101e+05, 4.32071261e+05, 4.29244698e+05, 4.04887637e+05,

       3.95972004e+05, 3.84714305e+05, 3.61548759e+05, 3.50453433e+05])


pca.explained_variance_ratio_


array([0.31160122, 0.13402643, 0.0884939 , 0.07588553, 0.05041296,

       0.04622801, 0.02813349, 0.02161665, 0.0197957 , 0.01914373,

       0.01333115, 0.01123174, 0.01001213, 0.00916034, 0.00880157,

       0.00791787, 0.00767809, 0.0069222 , 0.00658513, 0.00571999,

       0.00549039, 0.00467783, 0.00435538, 0.00407388, 0.00396238,

       0.00368021, 0.00330763, 0.00316976, 0.00305612, 0.00294603,

       0.00269436, 0.00250563, 0.00237753, 0.0023009 , 0.00225996,

       0.00219047, 0.00207535, 0.00205326, 0.00192764, 0.00187172,

       0.00185106, 0.0018348 , 0.00169779, 0.0016322 , 0.00158287,

       0.00156126, 0.00151085, 0.00148193, 0.00140201, 0.00133522,

       0.0013221 , 0.00130156, 0.00126172, 0.00124175, 0.00123362,

       0.00116362, 0.001138  , 0.00110565, 0.00103907, 0.00100718])


pca.explained_variance_ratio_.sum()


0.9713784954856973


X_tr = x_train_pca

y_tr = y_train

X_te = x_test_pca

y_te = y_test

print(len(X_tr))

print(len(y_te))


120

30


model = cv2.face.EigenFaceRecognizer_create()

model.train(X_tr,y_tr)


res = model.predict(X_te[29])

print(res)


(12, 6619.150897246195)


y_te[29]


12


ress = []

true = 0

for i in range(len(X_te)):

    res = model.predict(X_te[i])

#     print(res[0])

    if y_te[i] == res[0]:

        true = true+1

    else:

        print(i)

print('测试集识别准确率：%.2f'% (true/len(y_te)))


0

12

17

20

27

28

测试集识别准确率：0.80


# 输入图片识别

normal_image = []

for name in nameList:

    img = imageio.imread('./yalefaces/faces/subject'+name+'.normal')

    normal_image.append(img)


normal_image_data = []

for image in normal_image:

    data = image.flatten()

    normal_image_data.append(data)


normal = pca.transform(normal_image_data)


normal.shape


(15, 60)


res = model.predict(normal[14])

res


(15, 8895.523222370097)


img_ = imageio.imread('./yalefaces/faces/subject01.happy')

# img_ = cv2.cvtColor(img_,cv2.COLOR_BGR2GRAY)

plt_show(img_)



img = imageio.imread('./yalefaces/test2.gif')

img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

plt_show(img)

imgs = []

imgs.append(img)

imgs[0].shape

(243, 320)

img = imageio.imread('./yalefaces/test3.gif')

img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

plt_show(img)

imgs = []

imgs.append(img)

imgs[0].shape



test_img = []

for image in imgs:

    data = image.flatten()

    test_img.append(data)


test = pca.transform(test_img)


res = model.predict(test)

res


(2, 19431.70881247637)

源码地址:

链接：https://pan.baidu.com/s/1yAG7R0AoxaUvF5k6EuUaQQ

提取码：huhr

视频地址:https://www.bilibili.com/video/BV1Ka4y1i7mS

opencv基于PCA降维算法的人脸识别的更多相关文章

  1. 基于PCA和SVM的人脸识别

    程序中采用的数据集是ORL人脸库,该人脸库共有400副人脸图像,40人,每人10幅,大小为112*92像素,同一个人的表情,姿势有少许变化. 程序的流程主要分为三部分,数据的预处理(PCA降维和规格化 ...

  2. 基于PCA和SVM的人脸识别系统－error修改

    ------------------------------------------------- Undefined function or variable 'W'. Error in class ...

  3. PCA算法提取人脸识别特征脸（降噪）

    PCA算法可以使得高维数据(mxn)降到低维,而在整个降维的过程中会丢失一定的信息,也会因此而实现降噪除噪的效果,另外,它通过降维可以计算出原本数据集的主成分分量Wk矩阵(kxn),如果将其作为数据样 ...

  4. 一步步教你轻松学主成分分析PCA降维算法

    一步步教你轻松学主成分分析PCA降维算法 (白宁超 2018年10月22日10:14:18) 摘要:主成分分析(英语:Principal components analysis,PCA)是一种分析.简 ...

  5. 关于运行“基于极限学习机ELM的人脸识别程序”代码犯下的一些错误

    代码来源 基于极限学习机ELM的人脸识别程序 感谢文章主的分享 我的环境是 win10 anaconda Command line client (version 1.6.5)(conda 4.3.3 ...

  6. C#实现基于ffmepg加虹软的人脸识别

    关于人脸识别 目前的人脸识别已经相对成熟,有各种收费免费的商业方案和开源方案,其中OpenCV很早就支持了人脸识别,在我选择人脸识别开发库时,也横向对比了三种库,包括在线识别的百度.开源的OpenCV ...

  7. C#实现基于ffmpeg加虹软的人脸识别demo及开发分享

    对开发库的C#封装,屏蔽使用细节,可以快速安全的调用人脸识别相关API.具体见github地址.新增对.NET Core的支持,在Linux(Ubuntu下)测试通过.具体的使用例子和Demo详解,参 ...

  8. 基于虹软的Android的人脸识别SDK使用测试

    现在有很多人脸识别的技术我们可以拿来使用:但是个人认为还是离线端的SDK比较实用:所以个人一直在搜集人脸识别的SDK:原来使用开源的OpenCV:最近有个好友推荐虹软的ArcFace, 闲来无事就下来 ...

  9. C#实现基于ffmpeg加虹软的人脸识别

    关于人脸识别 目前的人脸识别已经相对成熟,有各种收费免费的商业方案和开源方案,其中OpenCV很早就支持了人脸识别,在我选择人脸 识别开发库时,也横向对比了三种库,包括在线识别的百度.开源的OpenC ...

随机推荐

  1. python3（二）

    # 布尔值和Java一样不做验证了 # 空值None是一个特殊的空值 # 变量 变量名必须是大小写英文.数字和_的组合,且不能用数字开头,等号=是赋值语句,可以把任意数据类型赋值给变量,同一个变量可以 ...

  2. 漏洞复现环境集锦-Vulhub

    0x01 Vulhub简介 Vulhub是一个面向大众的开源漏洞靶场,无需docker知识,简单执行两条命令即可编译.运行一个完整的漏洞靶场镜像. 0x02 安装 # 安装pip curl -s ht ...

  3. .NET Core技术研究-主机

    前一段时间,和大家分享了 ASP.NET Core技术研究-探秘Host主机启动过程 但是没有深入说明主机的设计.今天整理了一下主机的一些知识,结合先前的博文,完整地介绍一下.NET Core的主机的 ...

  4. 生成3D多棱柱的方法（3D立体图片）

    先上一个效果图 主要运用的技术点就是 确认基点,确认每个盒子旋转的度数 3D变换  transform: rotateY(-360deg); 景深  perspective 3D舞台 transfor ...

  5. Android Them+SharedPreferences 修改程序所有view字体颜色、大小和页面背景

    有这么一个需求,可以对页面的样式进行选择,然后根据选择改变程序所有字体颜色和页面背景.同时下一次启动程序,当前设置依然有效. 根据需求,我们需要一种快速,方便,有效的方式来实现需求,然后可以通过And ...

  6. Thinking in Java,Fourth Edition(Java 编程思想,第四版)学习笔记(四)之Operators

    At the lowest level, data in Java is manipulated using operators Using Java Operators An operator ta ...

  7. stand up meeting 12/29/2015

    part 组员                今日工作              工作耗时/h 明日计划 工作耗时/h    UI 冯晓云 重写popup UI添加笔记功能     6 mergeUI ...

  8. Alpha Release Note 12/15/2015

    内容提要: ******Personal Photo Experience可供您存放所有的私人照片,系统会自动整理内容,您可以借助搜索功能快速找到所需图片,同时过滤重复图片和低质量图片,给您全新的搜索 ...

  9. ROM定制开发教程-Android adb命令用法与实例解析

    一.什么是ADB Android Debug Bridge(adb)是一个命令行工具,可让您与模拟器或连接的Android设备进行通信.您可以在android sdk / platform-tools ...

  10. HTML学习过程-(1)

    记录我HTML的学习 (1) 最开始学习html是在因为在听北京理工大学教授讲的网络公开课上.当时老师讲的是网络爬虫,因为要爬取特定网页的信息,需要借助[正则表达式](https://baike.ba ...