增强人脸识别系统的功能与性能

引言

在前文中，我们介绍了如何使用Python实现一个人脸识别系统，并将其封装为一个类库。本文将继续探讨未来的改进方向，包括多摄像头支持、性能优化、多平台支持以及用户界面的开发。

多摄像头支持

为了适应更复杂的使用场景，我们计划扩展类库以支持多个摄像头。这将允许系统同时处理来自多个视频源的数据，特别适合于大型公共场所或企业环境中的多点监控需求。

实现思路

  1. 多线程/多进程处理

    • 每个摄像头的数据流可以由单独的线程或进程处理，确保系统的稳定性和响应速度。
    • 使用 concurrent.futures 或 multiprocessing 模块来管理多线程或多进程任务。

  2. 资源管理

    • 合理分配系统资源，避免因资源竞争导致的性能下降。
    • 使用锁机制（如 threading.Lock）来同步访问共享资源。

  3. 统一接口

    • 提供统一的接口供外部调用，无论内部是单个摄像头还是多个摄像头。
    • 设计一个配置文件来指定摄像头的数量和参数。

示例代码

import concurrent.futures
import cv2
import face_recognitionclass MultiCameraFaceRecognition:def __init__(self, db_config, camera_indices, config_file='config.ini'):self.db_config = db_configself.camera_indices = camera_indicesself.config = configparser.ConfigParser()self.config.read(config_file)self.tolerance = float(self.config.get('FaceRecognition', 'tolerance'))self.model = self.config.get('FaceRecognition', 'model')self.known_face_encodings, self.known_face_names, self.tolerances = self.load_faces_from_db()def load_faces_from_db(self):known_face_encodings = []known_face_names = []tolerances = []conn = psycopg2.connect(**self.db_config)cursor = conn.cursor()cursor.execute("SELECT name, encoding, tolerance FROM faces")rows = cursor.fetchall()for row in rows:name, encoding_str, tolerance = rowencoding = np.fromstring(encoding_str, dtype=float, sep=' ')known_face_encodings.append(encoding)known_face_names.append(name)tolerances.append(tolerance)cursor.close()conn.close()return known_face_encodings, known_face_names, tolerancesdef process_camera(self, camera_index):video_capture = cv2.VideoCapture(camera_index)while True:ret, frame = video_capture.read()if not ret:continuergb_frame = frame[:, :, ::-1]face_locations = face_recognition.face_locations(rgb_frame, model=self.model)if not face_locations:continueface_encodings = face_recognition.face_encodings(rgb_frame, face_locations)for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):name = "Unknown"min_distance = float('inf')best_match_index = -1for i, (known_encoding, known_name, known_tolerance) in enumerate(zip(self.known_face_encodings, self.known_face_names, self.tolerances)):distance = face_recognition.face_distance([known_encoding], face_encoding)[0]if distance < min_distance and distance <= known_tolerance:min_distance = distancename = known_namebest_match_index = icv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)font = cv2.FONT_HERSHEY_DUPLEXcv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)cv2.imshow(f'Camera {camera_index}', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakvideo_capture.release()cv2.destroyWindow(f'Camera {camera_index}')def start_real_time_face_recognition(self):with concurrent.futures.ThreadPoolExecutor(max_workers=len(self.camera_indices)) as executor:for camera_index in self.camera_indices:executor.submit(self.process_camera, camera_index)# 示例用法
if __name__ == "__main__":db_config = {'dbname': 'your_dbname','user': 'your_user','password': 'your_password','host': 'localhost','port': '5432'}camera_indices = [0, 1]  # 指定摄像头索引face_recognition = MultiCameraFaceRecognition(db_config, camera_indices)face_recognition.start_real_time_face_recognition()

性能优化

为了提高系统的整体性能，特别是处理高分辨率视频流时的效率，我们将进行以下优化：

实现思路

  1. 图像预处理

    • 对输入的图像进行预处理，如缩放、裁剪等，以减少计算量。
    • 使用 cv2.resize 函数来缩小图像尺寸。

  2. 并行计算

    • 利用多核CPU或GPU加速人脸检测和识别过程。
    • 使用 dlib 或 TensorFlow 等库来加速计算。

  3. 模型优化

    • 选择更高效的深度学习模型，或者对现有模型进行剪枝和量化。
    • 使用 ONNX 或 TFLite 格式的模型来提高推理速度。

  4. 缓存机制

    • 引入缓存机制，存储频繁访问的数据，减少重复计算。
    • 使用 functools.lru_cache 装饰器来缓存计算结果。

示例代码

import cv2
import face_recognition
import numpy as np
from functools import lru_cache@lru_cache(maxsize=128)
def load_and_encode_face(image_path):image = face_recognition.load_image_file(image_path)face_encoding = face_recognition.face_encodings(image)[0]return face_encodingdef preprocess_image(image, target_size=(320, 240)):return cv2.resize(image, target_size)class OptimizedFaceRecognition:def __init__(self, db_config, config_file='config.ini'):self.db_config = db_configself.config = configparser.ConfigParser()self.config.read(config_file)self.tolerance = float(self.config.get('FaceRecognition', 'tolerance'))self.model = self.config.get('FaceRecognition', 'model')self.known_face_encodings, self.known_face_names, self.tolerances = self.load_faces_from_db()def load_faces_from_db(self):known_face_encodings = []known_face_names = []tolerances = []conn = psycopg2.connect(**self.db_config)cursor = conn.cursor()cursor.execute("SELECT name, encoding, tolerance FROM faces")rows = cursor.fetchall()for row in rows:name, encoding_str, tolerance = rowencoding = np.fromstring(encoding_str, dtype=float, sep=' ')known_face_encodings.append(encoding)known_face_names.append(name)tolerances.append(tolerance)cursor.close()conn.close()return known_face_encodings, known_face_names, tolerancesdef real_time_face_recognition(self, camera_index=0):video_capture = cv2.VideoCapture(camera_index)while True:ret, frame = video_capture.read()if not ret:continuesmall_frame = preprocess_image(frame)rgb_small_frame = small_frame[:, :, ::-1]face_locations = face_recognition.face_locations(rgb_small_frame, model=self.model)if not face_locations:continueface_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):name = "Unknown"min_distance = float('inf')best_match_index = -1for i, (known_encoding, known_name, known_tolerance) in enumerate(zip(self.known_face_encodings, self.known_face_names, self.tolerances)):distance = face_recognition.face_distance([known_encoding], face_encoding)[0]if distance < min_distance and distance <= known_tolerance:min_distance = distancename = known_namebest_match_index = itop *= 2right *= 2bottom *= 2left *= 2cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)font = cv2.FONT_HERSHEY_DUPLEXcv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)cv2.imshow('Video', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakvideo_capture.release()cv2.destroyAllWindows()# 示例用法
if __name__ == "__main__":db_config = {'dbname': 'your_dbname','user': 'your_user','password': 'your_password','host': 'localhost','port': '5432'}face_recognition = OptimizedFaceRecognition(db_config)face_recognition.real_time_face_recognition(camera_index=0)

多平台支持

为了确保类库在不同的操作系统和硬件平台上都能正常运行，我们将进行以下改进：

实现思路

  1. 跨平台库

    • 使用跨平台的库，如 OpenCV 和 face_recognition，确保在不同平台上的一致性。
    • 使用 psycopg2 连接 PostgreSQL 数据库，确保数据库操作的兼容性。

  2. 平台特定代码

    • 对于平台特定的代码，使用条件编译或动态导入来处理。
    • 使用 platform 模块来检测当前运行的平台。

  3. 测试

    • 在多种操作系统和硬件平台上进行测试，确保类库的稳定性和兼容性。
    • 使用持续集成（CI）工具，如 GitHub Actions 或 Jenkins，自动运行测试。

示例代码

import platform
import cv2
import face_recognition
import psycopg2def get_platform_specific_code():current_platform = platform.system()if current_platform == 'Windows':return 'Windows-specific code'elif current_platform == 'Linux':return 'Linux-specific code'elif current_platform == 'Darwin':return 'macOS-specific code'else:return 'Unknown platform'class PlatformAwareFaceRecognition:def __init__(self, db_config, config_file='config.ini'):self.db_config = db_configself.config = configparser.ConfigParser()self.config.read(config_file)self.tolerance = float(self.config.get('FaceRecognition', 'tolerance'))self.model = self.config.get('FaceRecognition', 'model')self.known_face_encodings, self.known_face_names, self.tolerances = self.load_faces_from_db()def load_faces_from_db(self):known_face_encodings = []known_face_names = []tolerances = []conn = psycopg2.connect(**self.db_config)cursor = conn.cursor()cursor.execute("SELECT name, encoding, tolerance FROM faces")rows = cursor.fetchall()for row in rows:name, encoding_str, tolerance = rowencoding = np.fromstring(encoding_str, dtype=float, sep=' ')known_face_encodings.append(encoding)known_face_names.append(name)tolerances.append(tolerance)cursor.close()conn.close()return known_face_encodings, known_face_names, tolerancesdef real_time_face_recognition(self, camera_index=0):video_capture = cv2.VideoCapture(camera_index)while True:ret, frame = video_capture.read()if not ret:continuergb_frame = frame[:, :, ::-1]face_locations = face_recognition.face_locations(rgb_frame, model=self.model)if not face_locations:continueface_encodings = face_recognition.face_encodings(rgb_frame, face_locations)for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):name = "Unknown"min_distance = float('inf')best_match_index = -1for i, (known_encoding, known_name, known_tolerance) in enumerate(zip(self.known_face_encodings, self.known_face_names, self.tolerances)):distance = face_recognition.face_distance([known_encoding], face_encoding)[0]if distance < min_distance and distance <= known_tolerance:min_distance = distancename = known_namebest_match_index = icv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)font = cv2.FONT_HERSHEY_DUPLEXcv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)cv2.imshow('Video', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakvideo_capture.release()cv2.destroyAllWindows()# 示例用法
if __name__ == "__main__":db_config = {'dbname': 'your_dbname','user': 'your_user','password': 'your_password','host': 'localhost','port': '5432'}face_recognition = PlatformAwareFaceRecognition(db_config)face_recognition.real_time_face_recognition(camera_index=0)

用户界面

为了使用户更容易使用和配置人脸识别系统，我们将开发一个图形用户界面（GUI）。这将提供一个友好的界面，让用户能够方便地进行系统配置和管理。

实现思路

  1. 使用 PyQt 或 Tkinter

    • 使用 PyQt 或 Tkinter 等库来开发图形用户界面。
    • 提供配置文件编辑、摄像头选择、人脸识别结果展示等功能。

  2. 实时预览

    • 在界面上提供实时视频预览窗口，显示当前摄像头的视频流。
    • 支持多摄像头选择和切换。

  3. 用户配置

    • 提供用户配置界面，允许用户修改识别距离、模型选择等参数。
    • 保存用户配置到配置文件中，以便下次启动时加载。

示例代码

import sys
import cv2
import face_recognition
import psycopg2
from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QLabel, QComboBox, QLineEdit
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimerclass FaceRecognitionGUI(QMainWindow):def __init__(self, db_config, config_file='config.ini'):super().__init__()self.db_config = db_configself.config = configparser.ConfigParser()self.config.read(config_file)self.tolerance = float(self.config.get('FaceRecognition', 'tolerance'))self.model = self.config.get('FaceRecognition', 'model')self.known_face_encodings, self.known_face_names, self.tolerances = self.load_faces_from_db()self.initUI()def initUI(self):self.setWindowTitle('Face Recognition System')self.setGeometry(100, 100, 800, 600)self.central_widget = QWidget()self.setCentralWidget(self.central_widget)layout = QVBoxLayout()self.video_label = QLabel(self)layout.addWidget(self.video_label)self.camera_combo = QComboBox(self)self.camera_combo.addItems(['Camera 0', 'Camera 1'])layout.addWidget(self.camera_combo)self.tolerance_input = QLineEdit(self)self.tolerance_input.setText(str(self.tolerance))layout.addWidget(self.tolerance_input)self.start_button = QPushButton('Start Recognition', self)self.start_button.clicked.connect(self.start_real_time_face_recognition)layout.addWidget(self.start_button)self.central_widget.setLayout(layout)self.timer = QTimer()self.timer.timeout.connect(self.update_frame)def load_faces_from_db(self):known_face_encodings = []known_face_names = []tolerances = []conn = psycopg2.connect(**self.db_config)cursor = conn.cursor()cursor.execute("SELECT name, encoding, tolerance FROM faces")rows = cursor.fetchall()for row in rows:name, encoding_str, tolerance = rowencoding = np.fromstring(encoding_str, dtype=float, sep=' ')known_face_encodings.append(encoding)known_face_names.append(name)tolerances.append(tolerance)cursor.close()conn.close()return known_face_encodings, known_face_names, tolerancesdef update_frame(self):ret, frame = self.video_capture.read()if ret:rgb_frame = frame[:, :, ::-1]face_locations = face_recognition.face_locations(rgb_frame, model=self.model)face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):name = "Unknown"min_distance = float('inf')best_match_index = -1for i, (known_encoding, known_name, known_tolerance) in enumerate(zip(self.known_face_encodings, self.known_face_names, self.tolerances)):distance = face_recognition.face_distance([known_encoding], face_encoding)[0]if distance < min_distance and distance <= known_tolerance:min_distance = distancename = known_namebest_match_index = icv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)font = cv2.FONT_HERSHEY_DUPLEXcv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)h, w, ch = frame.shapebytes_per_line = ch * wq_image = QImage(frame.data, w, h, bytes_per_line, QImage.Format_RGB888)self.video_label.setPixmap(QPixmap.fromImage(q_image))def start_real_time_face_recognition(self):camera_index = int(self.camera_combo.currentText().split()[-1])self.video_capture = cv2.VideoCapture(camera_index)self.timer.start(30)def closeEvent(self, event):self.timer.stop()self.video_capture.release()event.accept()# 示例用法
if __name__ == "__main__":db_config = {'dbname': 'your_dbname','user': 'your_user','password': 'your_password','host': 'localhost','port': '5432'}app = QApplication(sys.argv)face_recognition_gui = FaceRecognitionGUI(db_config)face_recognition_gui.show()sys.exit(app.exec_())

通过这些改进，我们希望能够进一步提升人脸识别系统的功能和性能，使其更加适用于各种实际应用场景。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/15795.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

【Rust 编程语言工具】rustup-init.exe 安装与使用指南

【Rust 编程语言工具】rustup-init.exe 安装与使用指南

rustup-init.exe 是用于安装和管理 Rust 编程语言工具链的 Windows 可执行文件。Rust 是一种系统级编程语言&#xff0c;旨在提供安全、并发和高性能的功能。rustup-init.exe 是官方提供的安装器&#xff0c;用于将 Rust 安装到 Windows 操作系统中&#xff0c;并配置相关环境。…
阅读更多...
【Hutool系列】反射工具-ReflectUtil

【Hutool系列】反射工具-ReflectUtil

前言 反射是 Java 中一种强大的机制&#xff0c;可以在运行时动态地获取类的信息并操作类的属性和方法。在 Java 中&#xff0c;通过反射可以获取和设置类的字段、调用类的方法、创建类的实例等。Java的反射机制&#xff0c;可以让语言变得更加灵活&#xff0c;对对象的操作也更…
阅读更多...
Microsoft Fabric - 尝试一下Real time event stream

Microsoft Fabric - 尝试一下Real time event stream

1. 简单介绍 微软推出的Microsoft Fabric平台已经有一段时间了&#xff0c;这是一个Data engineer, Data Sciencist, Business等多种工作角色的人员可以一起工作的一个大平台。 note, Microsoft Fabric 提出了OneLake, LakeHouse的概念&#xff0c;同时为了防止数据冗余&#…
阅读更多...
数字图像处理(c++ opencv)：图像复原与重建-常见的滤波方法--自适应滤波器

数字图像处理(c++ opencv)：图像复原与重建-常见的滤波方法--自适应滤波器

自适应局部降噪滤波器 自适应局部降噪滤波器&#xff08;Adaptive, Local Noise Reduction Filter&#xff09;原理步骤 步骤 &#xff08;1&#xff09;计算噪声图像的方差 &#xff1b; &#xff08;2&#xff09;计算滤波器窗口内像素的均值 和方差 &#xff1b; &…
阅读更多...
C++：类和对象（上）

C++：类和对象（上）

目录 一、类的定义 二、 访问限定符 三、 实例化概念类&#xff1a; 类&#xff08;Class&#xff09; 对象&#xff08;Object&#xff09; 实例化&#xff08;Instantiation&#xff09; 四、 对象大小 五、this 指针的基本概念 this 指针的作用&#xff1a; this 指…
阅读更多...
如何在vscode 中打开新文件不覆盖上一个窗口

如何在vscode 中打开新文件不覆盖上一个窗口

在 VSCode 中&#xff0c;如果你单击文件时出现了覆盖Tab的情况&#xff0c;这通常是因为VSCode默认开启了预览模式。在预览模式下&#xff0c;单击新文件会覆盖当前预览的文件Tab。为了解决这个问题&#xff0c;你可以按照以下步骤进行操作 1.打开VSCode&#xff1a;启动你的…
阅读更多...
Linux篇（权限管理命令）

Linux篇（权限管理命令）

目录 一、权限概述 1. 什么是权限 2. 为什么要设置权限 3. Linux中的权限类别 4. Linux中文件所有者 4.1. 所有者分类 4.2. 所有者的表示方法 属主权限 属组权限 其他权限 root用户&#xff08;超级管理员&#xff09; 二、普通权限管理 1. ls查看文件权限 2. 文件…
阅读更多...
冲压车间如何开展六西格玛管理培训

冲压车间如何开展六西格玛管理培训

面对日益严苛的客户要求与成本控制挑战&#xff0c;传统的管理模式已难以满足高质量发展的需求。此时&#xff0c;六西格玛管理以其严谨的数据驱动、持续改进的理念&#xff0c;成为众多企业转型升级的有力工具。本文&#xff0c;天行健企业管理咨询公司将深入探讨冲压车间如何…
阅读更多...
基于微信小程序的平安驾校预约平台的设计与实现(源码+LW++远程调试+代码讲解等)

基于微信小程序的平安驾校预约平台的设计与实现(源码+LW++远程调试+代码讲解等)

摘 要 互联网发展至今&#xff0c;广泛参与在社会中的方方面面。它让信息都可以通过网络传播&#xff0c;搭配信息管理工具可以很好地为人们提供服务。针对高校教师成果信息管理混乱&#xff0c;出错率高&#xff0c;信息安全性差&#xff0c;劳动强度大&#xff0c;费时费力…
阅读更多...
插入排序（sort）C++

插入排序（sort）C++

链接&#xff1a;登录—专业IT笔试面试备考平台_牛客网 来源&#xff1a;牛客网 时间限制&#xff1a;C/C/Rust/Pascal 1秒&#xff0c;其他语言2秒 空间限制&#xff1a;C/C/Rust/Pascal 512 M&#xff0c;其他语言1024 M 64bit IO Format: %lld 题目描述 插入排序是一种…
阅读更多...
卷积、频域乘积和矩阵向量乘积三种形式之间的等价关系与转换

卷积、频域乘积和矩阵向量乘积三种形式之间的等价关系与转换

线性移不变系统 线性移不变系统&#xff08;Linear Time-Invariant System, LTI系统&#xff09;同时满足线性和时不变性两个条件。 线性&#xff1a;如果输入信号的加权和通过系统后&#xff0c;输出是这些输入信号单独通过系统后的输出的相同加权和&#xff0c;那么该系统就…
阅读更多...
15分钟学 Go 第 53 天 ：社区资源与学习材料

15分钟学 Go 第 53 天 ：社区资源与学习材料

第53天&#xff1a;社区资源与学习材料 目标 了解Go语言官方资源掌握社区重要学习平台学会利用开源项目学习构建个人知识体系 一、Go语言官方资源汇总 资源类型网址说明Go官网golang.org官方文档、下载、教程Go Blogblog.golang.org技术博客、最新特性介绍Go Playgroundpla…
阅读更多...
「QT」文件类 之 QIODevice 输入输出设备类

「QT」文件类 之 QIODevice 输入输出设备类

✨博客主页何曾参静谧的博客&#x1f4cc;文章专栏「QT」QT5程序设计&#x1f4da;全部专栏「Win」Windows程序设计「IDE」集成开发环境「UG/NX」BlockUI集合「C/C」C/C程序设计「DSA」数据结构与算法「UG/NX」NX二次开发「QT」QT5程序设计「File」数据文件格式「UG/NX」NX定制…
阅读更多...
timescale使用例子 - 纽约出租车

timescale使用例子 - 纽约出租车

一、资料使用 在timescale的官方网站的“教程”菜单中&#xff0c;有几个不同业务场景的例子&#xff0c;其中就有运输行业的例子。我访问中文站点的时候&#xff0c;关于教程的几个步骤内容刷不出来&#xff0c;所以还是建议访问英文站点。 https://docs.timescale.com/tuto…
阅读更多...
树（二叉查找树、平衡二叉树、红黑树）

树（二叉查找树、平衡二叉树、红黑树）

树&#xff08;二叉树、二叉查找树、平衡二叉树、红黑树&#xff09; 二叉查找树&#xff08;二叉排序树、二叉搜索树&#xff09;添加元素查找元素遍历弊端 平衡二叉树旋转机制&#xff1a;左旋旋转机制&#xff1a;右旋需要旋转的四种情况1. 左左&#xff1a;一次右旋2. 左右…
阅读更多...
医疗器械包装运输试验之抗压试验的条件选取及方法和设备的要求

医疗器械包装运输试验之抗压试验的条件选取及方法和设备的要求

医疗器械包装运输试验之抗压试验的试验目的&#xff1a; 抗压试验通常用来评估产品在承受外界压力时&#xff0c;包装对内装物样品的保护能力。试验通常模拟产品在运输流通过程中可能遇到的压力环境。通过试验&#xff0c;可以验证包装对内装物的保护能力、包装结构的完整性、…
阅读更多...
C++内存池实现

C++内存池实现

1.内存池概念 内存池就和其他的池数据&#xff08;如线程池&#xff09;结构类似&#xff0c;由程序维护一个“池”结构来管理程序使用的内存&#xff0c;然后根据需要从内存池中申请使用内存或者向内存池中释放内存&#xff0c;来达到高效管理内存的目的。 在一般的内存管理的…
阅读更多...
数据结构-二叉树

数据结构-二叉树

一.二叉树的定义 二叉树有左右儿子之分 完美二叉树&#xff08;满二叉树&#xff09;除了最下面的没有儿子其他结点都有两个儿子&#xff0c;叶节点比较齐的&#xff0c;完全二叉树不是满二叉数允许缺失最后的结点 满二叉树可以达到2^k-1 边的总数节点数-1 二.二叉树的存储结构…
阅读更多...
OKR制定指南

OKR制定指南

Goal Crafting 目标制定是最基本的领导活动之一。组织绩效和团队成长依赖于精心制定的目标。没有良好的目标制定练习&#xff0c;团队可能只关注眼前的事务&#xff0c;解决看似可以快速解决的问题。良好的目标制定迫使你不忽视或推迟那些需要新思维方式、合作或克服困难的问题…
阅读更多...
详细分析Java中FilterChain过滤器的基本知识

详细分析Java中FilterChain过滤器的基本知识

目录 前言1. 基本知识2. Demo 前言 基本的Java知识推荐阅读&#xff1a; java框架 零基础从入门到精通的学习路线 附开源项目面经等&#xff08;超全&#xff09;【Java项目】实战CRUD的功能整理&#xff08;持续更新&#xff09; 从实战中学习&#xff1a; 常用在一些重复代…
阅读更多...
最新文章

Copyright @ 2022~2023