精华内容
下载资源
问答
  • 【Git 同一电脑设置多个账户 win/mac】
    2022-04-24 21:08:27

    1.方法:

    mac windows

    流程
    1.删除全局设置

    git config --global --unset user.name
    git config --global --unset user.email
    

    2.生成ssh秘钥

    cd ~/.ssh
    

    根据不同的秘钥生成算法生成秘钥,例如rsa算法
    -f参数后面为秘钥命名,需要设置成可区别出不同仓库

    ssh-keygen -t rsa -f ~/.ssh/id_rsa_github -C "xxxxx@gmail.com"
    

    3.将私钥添加到本地

    ssh-add ~/.ssh/id_rsa_github 
    

    可使用ssh-add -l查看是否添加成功
    4.管理不同平台的秘钥
    其他不同仓库网站的秘钥创建流程相同
    创建config文件管理秘钥及其对应网站

    cd ~/.ssh
    touch config
    
     网站的别名,随意取
    Host github 
    # 托管网站的域名
    HostName github.com 
    # 托管网站上的用户名,GitHub用户名
    User ckyromgit 
    # 使用的密钥文件
    IdentityFile ~/.ssh/id_rsa_github 
    
    # GitLab的配置与上面的GitHub类似
    Host gitlab
    HostName git.xxx.com
    User keyou.chen
    IdentityFile ~/.ssh/id_rsa_gitlab
    

    windows前边类似,配置文件写法有些区别:

    Host codeup.aliyun.com  //别名取与主机名相同,这样在使用ssh验证时,不会出错
    HostName codeup.aliyun.com
    User 709299880
    IdentityFile ~/.ssh/id_ed_aliyun
    PreferredAuthentications publickey
    

    需要注意的是,windows在设置完上述内容时,为了不使用全局用户名和密码,在建立本地仓库时,需要指定该仓库的局部用户和邮箱,即 ====》,否则无法自动识别出用户名和邮箱导致git操作失败。

    进入项目目录,打开终端输入以下命令进行绑定(每个仓库都需配置):
    #一定要配置正确的用户

    clone及上传流程

    git clone git@gitlab.com:xxxxx.git//gitlab.com与config中的Host相同
    cd到下载完成的文件夹
    git config user.name "xxxx"
    git config user.email "xxxx@xxx.com"            
    #查看当前仓库用户名
    git config  user.name
    #查看当前仓库邮箱
    git config  user.email
    git add .
    git commit -m "xx"
    git push 
    

    2.问题及解决

    在使用阿里云code平台时,第一次克隆密码如果输入错误
    windows克隆密码输入错误后,本地克隆密码的重置
    macos:搜索钥匙链:keychain

    更多相关内容
  • 一 。IP地址分类我们将IP地址分为了【A B C D E】五大类,但是D和E不对民用组织开放,所以我们能使用IP地址的只有ABC三类。判断四组IP的第一个数组来确定是哪类。 【注意:127.0.0.1不再里面,是因为它代表...

    一 。IP地址分类

    我们将IP地址分为了【A B C D E】五大类,但是D和E不对民用组织开放,所以我们能使用IP地址的只有ABC三类。判断四组IP的第一个数组来确定是哪类。

    be6017b7950d5ccce71807add745dff5.png

    【注意:127.0.0.1不再里面,是因为它代表当前计算机自己】

    二。判断每一类IP是否属于一个网段

    (一)A类

    1. A类IP用第一个数字来表示不同网段。例如:1.0.0.0和2.0.0.0是不同的网络。不同的网络之间要使用路由器,路由器是用来跨网络通信。但是在同一个网络通信,只用使用交换机就可以。

    2. A类IP的第一个数字相同,而后三个不同,表示在一个网络中的不同的主机。

    3. A类的网段数量只有126个,但是主机数有2^24-2

    4.主机数为什么要减去2? : 因为1.0.0.0代表网络本身,不能分配。而1.255.255.255代表当前网络的广播地址。

    6. 2^24是从哪里来的? : 第一个数是8位,后面的是24位。

    87683e422dd5fbcdddb310db2e115c9a.png

    (二)B类

    B类IP是前两个数字来表示不同网段。例如:191.224.0.0和191.154.0.0是不同的网络。但是191.224.0.0和191.224.255.255是同一个网段中的不同主机。所以能用的主机数是2^16-2

    (三)C类

    1. C类IP是前三个数代表不同网段,最后一个数组代表同一个网段中的不同主机。例如:192.224.0.0和192.224.1.0是不同的网络。但是192.224.0.0和192.224.0.1是同一个网段中的不同主机。所以能用的主机数是2^8-2。

    展开全文
  • 在界面中可以选择人脸图片、视频进行检测识别,也可通过电脑连接的摄像头设备进行实时识别人脸性别;可对图像中存在的多张人脸进行性别识别,可选择任意一张人脸框选显示结果,检测速度快、识别精度高。博文提供了...

    功能演示动图

    摘要:人脸性别识别是人脸识别领域的一个热门方向,本文详细介绍基于深度学习的人脸性别识别系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面。在界面中可以选择人脸图片、视频进行检测识别,也可通过电脑连接的摄像头设备进行实时识别人脸性别;可对图像中存在的多张人脸进行性别识别,可选择任意一张人脸框选显示结果,检测速度快、识别精度高。博文提供了完整的Python代码和使用教程,适合新入门的朋友参考,完整代码资源文件请转至文末的下载链接。本博文目录如下:

    ➷点击跳转至文末所有涉及的完整代码文件下载页☇

    代码介绍及演示视频链接:https://www.bilibili.com/video/BV15Y4y1v7AB/(正在更新中,欢迎关注博主B站视频)


    前言

            随着科技的发展,人脸识别以及性别检测在日常生活中的应用越来越广泛,由于人脸图像的生物特征识别是非接触的,比较简单快速,还具有一定的娱乐性,在社交网络、视频监控、人机交互等领域具有广阔的应用前景。本文使用OpenCV算法,实现人脸检测以及性别识别,用户可以选择传入图片、视频、或者摄像头实时摄影作为检测的文件。

            人脸性别识别,其实是人脸属性识别的一种,即根据图像中的人脸判断其性别属于男性还是女性,该任务本身具有较强的现实意义。前面博主分享有人脸表情识别系统介绍的博文,可以认为是检测人脸的表情属性1,对性别的识别算是继续人脸识别的小专题。这里博主分享一个性别识别的小项目,供大家参考学习了。

            网上的人脸性别识别程序代码很多,大部分都是采用OpenCV算法和face_recognition等识别单张图片中的人脸,虽然后者的算法相较于前者更简单,但是对于大多数Windows用户想要下载这个库是很困难的,所以本博文使用对Windows用户更友好的OpenCV算法来完成。网上的人脸性别识别程序脚本很多,但几乎没有人将其开发成一个可以展示的完整软件,并不方便选择文件和实时检测。对此这里给出博主设计的界面,同款的简约风,功能也可以满足图片、视频和摄像头的识别检测,希望大家可以喜欢,初始界面如下图:

    在这里插入图片描述

            检测人脸时的界面截图(点击图片可放大)如下图,可识别画面中存在的多个人脸,也可开启摄像头或视频检测:

    在这里插入图片描述

             详细的功能演示效果参见博主的B站视频或下一节的动图演示,觉得不错的朋友敬请点赞、关注加收藏!系统UI界面的设计工作量较大,界面美化更需仔细雕琢,大家有任何建议或意见和可在下方评论交流。


    1. 效果演示

            软件好不好用,颜值很重要,首先我们还是通过动图看一下识别性别的效果,系统主要实现的功能是对图片、视频和摄像头画面中的人脸性别属性进行识别,识别的结果可视化显示在界面和图像中,另外提供多个人脸的显示选择功能,演示效果如下。

    (一)选择人脸图片识别

            系统允许选择图片文件进行识别,点击图片选择按钮图标选择图片后,显示所有人脸识别的结果,可通过下拉选框查看单个人脸的结果。本功能的界面展示如下图所示:

    在这里插入图片描述

    (二)人脸视频识别效果展示

            很多时候我们需要识别一段视频中的人脸属性,这里设计了视频选择功能。点击视频按钮可选择待检测的视频,系统会自动解析视频逐帧识别人脸,并将结果记录在右下角表格中,效果如下图所示:

    功能演示动图
    (三)摄像头检测效果展示

            在真实场景中,我们往往利用设备摄像头获取实时画面,同时需要对画面中的人脸性别进行识别,因此本文考虑到此项功能。如下图所示,点击摄像头按钮后系统进入准备状态,系统显示实时画面并开始检测画面中的人脸,识别结果展示如下图:

    在这里插入图片描述


    2. 人脸检测与性别识别

            人脸性别识别可看成是通过人脸图像信息自动发掘和分析人脸属性的二分类问题。在广告定向投放、个性化智能推荐、人脸属性分析等方面得到广泛应用。如今人工智能横扫经典算法,因此以卷积神经网络为代表的深度学习方法自然就被广泛用于人脸性别识别研究。本文借助OpenCV算法,实现人脸检测以及性别识别,这里首先对实现原理进行介绍。

            本文所使用的模型是由 Gil Levi 和Tal Hassner 发布在CVPR的《Age and Gender Classification using Convolutional Neural Networks》论文,论文旨在缩小自动人脸识别能力与年龄性别估计方法之间的差距2。论文使用Adience数据集,该数据集包含比LFW数据集的图像更具挑战性,使用一个健壮性更强的系统提升性能,以更好地利用来自大量示例训练集的信息。

    在这里插入图片描述

            这里使用的是一种以上论文提出的卷积神经网络架构,类似于 CaffeNet 和 AlexNet。该网络使用 3 个卷积层、2 个全连接层和一个最终输出层。首先原始图像被缩放至 256 × 256 256 \times 256 256×256的尺寸,对图像进行中心裁剪,得到尺寸为 227 × 227 227 \times 227 227×227的图像作为网络输入,该网络结构如下图所示:

    在这里插入图片描述

    1. 尺寸为 96 × 3 × 7 × 7 96 \times 3 \times 7 \times 7 96×3×7×7的卷积核,接ReLU层、MaxPooling( 3 × 3 , s t r i d e = 2 3 \times 3, stride=2 3×3,stride=2)、归一化层,输出尺寸: 96 × 28 × 28 96 \times 28 \times 28 96×28×28
    2. 尺寸为 96 × 5 × 5 × 256 96 \times 5 \times 5 \times 256 96×5×5×256的卷积核,接ReLU层、MaxPooling( 3 × 3 , s t r i d e = 2 3 \times 3, stride=2 3×3,stride=2)、归一化层,输出尺寸: 256 × 14 × 14 256 \times 14 \times 14 256×14×14
    3. 尺寸为 256 × 14 × 14 × 384 256 \times 14 \times 14 \times 384 256×14×14×384的卷积核,接ReLU层、MaxPooling( 3 × 3 3 \times 3 3×3)$;
    4. 全连接层(512个神经元),接ReLU层及Dropout层;
    5. 全连接层(512个神经元),接ReLU层及Dropout层;
    6. 根据性别映射到最后的类别输出。

            利用以上网络进行训练,所有层中的权重均采用标准偏差为0.01,均值为0的高斯随机值初始化。训练时不使用预训练模型,不使用基准可用的图像和标签之外的任何数据,网络从头开始进行训练。训练的目标值用与真实类别相对应的稀疏二进制向量表示,对于每个训练图像,目标标签向量具有类数的长度,在真实值所在索引位置为1,在其他位置为0。训练基于Adience数据集,使用随机梯度下降算法进行训练,其中批量大小(Batch Size)设置为50,初始学习率为 e − 3 e-3 e3,在 10 K 10K 10K次迭代后降为 e − 4 e-4 e4

            这里我们利用OpenCV导入该算法,调用电脑自带的摄像头获取画面,并对画面中的人脸进行性别识别。首先需要导入用到的Python库:

    import cv2 as cv
    import time
    import argparse
    

            然后导入我们下载到的训练模型,主要有人脸检测和性别识别的模型,代码如下:

    faceProto = "opencv_face_detector.pbtxt"
    faceModel = "opencv_face_detector_uint8.pb" # 检测人脸的模型,
    
    genderProto = "gender_deploy.prototxt"
    genderModel = "gender_net.caffemodel" # 判断性别的模型
    MODEL_MEAN_VALUES = (78.4263377603, 87.7689143744, 114.895847746)
    genderList = ['Male', 'Female'] # 性别列表
    
    # 加载 network
    genderNet = cv.dnn.readNet(genderModel, genderProto)
    faceNet = cv.dnn.readNet(faceModel, faceProto)
    

            接下来我们定义获得图像/视频的人脸信息的函数,使用模型对图像中的人脸进行检测,框出人脸位置:

    def getFace(frame):
        conf_threshold = 0.7
        # 获取图像的信息,以便之后对图像的操作
        height = frame.copy().shape[0]
        width = frame.copy().shape[1]
        # 对图片进行预处理, frame就是我们读取到视频的每一帧,最后输出的大小是300*300
        # 同时也帮助我们减均值抵抗亮度的变化对模型造成的不良影响
        # 为了消除同一场景下不同光照的图片,对我们最终的分类或者神经网络的影响,
        # 我们常常对图片的RGB通道的像素求一个平均值,然后将每个像素值减去我们的平均值,
        # 这样就可以得到像素之间的相对值,就可以排除光照的影响。
        frameblob = cv.dnn.blobFromImage(frame.copy(), 1.0, (300, 300), [104, 117, 123], True, False)
        # 识别人脸
        faceNet.setInput(frameblob)# 将预处理后的图像输入网络
        detections = faceNet.forward() # 将图像向前传播,检测可以检测到的东西
        box = []  # 用来保留检测到的结果
        # 遍历所有的结果, 并将可行的放到我们最终的结果中
        for i in range(detections.shape[2]):
            confidence = detections[0, 0, i, 2]  # 得到检测结果的分数
            if confidence > conf_threshold: # 大于阈值就是我们需要的结果
                # 取出相对坐标并获得原坐标
                x1 = int(detections[0, 0, i, 3] * width)
                y1 = int(detections[0, 0, i, 4] * height)
                x2 = int(detections[0, 0, i, 5] * width)
                y2 = int(detections[0, 0, i, 6] * height)
                box.append([x1, y1, x2, y2])
                # 绘图
                cv.rectangle(frame.copy(), (x1, y1), (x2, y2), (0, 255, 0), int(round(height / 150)), 8)
        return frame.copy(), box
    

            以上函数传入的参数是图像的信息,经过该函数的处理,我们检测图像中包含的信息,然后通过上述论文模型的预测,取出图像中可能是人脸数据的值,这些就是最后用来预测的数据,该步骤主要用的就是facenet这个神经网络模型,使用该模型之后能够大大增加数据的准确性,让后面的预测模型更加精准。

            FaceNet是谷歌于CVPR2015.02发表,提出了一个对识别(这是谁?)、验证(这是用一个人吗?)、聚类(在这些面孔中找到同一个人)等问题的统一解决框架,即它们都可以放到特征空间里统一处理,只需要专注于解决的仅仅是如何将人脸更好的映射到特征空间3。其本质是通过卷积神经网络学习人脸图像到128维欧几里得空间的映射,该映射将人脸图像映射为128维的特征向量,联想到二维空间的相关系数的定义,使用特征向量之间的距离的倒数来表征人脸图像之间的"相关系数"(为了方便理解,后文称之为相似度),对于相同个体的不同图片,其特征向量之间的距离较小(即相似度较大),对于不同个体的图像,其特征向量之间的距离较大(即相似度较小)。最后基于特征向量之间的相似度来解决人脸图像的识别、验证和聚类等问题。论文地址如下:https://arxiv.org/abs/1503.03832

    在这里插入图片描述
            如上图所示,FaceNet由一个批量输入层和一个深度卷积神经网络(CNN )组成,然后是 L2 归一化和之后的人脸嵌入,最后使用三元组损失函数进行训练。图像经过该模型后就可以得到图像中人脸的基本信息特征,接下来调用导入的辨别gender的模型就可以完成人脸的识别,调用和标记识别结果的代码如下:

    def face_pred(cap):
        padding = 20
        while cv.waitKey(1) < 0:
            # 读取 frame
            t = time.time()
            # 读取视频中的帧
            hasFrame, frame = cap.read()
            if not hasFrame:
                # 等待键盘发出命令
                cv.waitKey(100)
                break
            frameFace, bboxes = getFace(frame)
            # if not bboxes:
            #     continue
            for bbox in bboxes:
                face = frame[max(0, bbox[1] - padding):min(bbox[3] + padding, frame.shape[0] - 1),
                       max(0, bbox[0] - padding):min(bbox[2] + padding, frame.shape[1] - 1)]
                # 继续对图像进行处理,得到展示的图片的形式
                blob = cv.dnn.blobFromImage(face+, 1.0, (227, 227), MODEL_MEAN_VALUES, swapRB=False)
                genderNet.setInput(blob)
                genderPreds = genderNet.forward()
                gender = genderList[genderPreds[0].argmax()]
                label = "{}".format(gender)
                cv.putText(frameFace, label, (bbox[0], bbox[1] - 10), cv.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 255), 2,
                           cv.LINE_AA)
                cv.imshow("Gender_recognition", frameFace)
    

            该函数传入的参数是视频的数据,读取视频的函数是cv.VideoCapture( ),如果该函数的参数是0,那么就会调用系统摄像头,获取本人的人脸数据,如果传入的参数是一个文件地址,那么就会预测传入视频的性别。最终运行以上函数进行识别的代码如下:

    cap = cv.VideoCapture(0)
    face_pred(cap)
    

            运行以上演示脚本,达到的结果如下图所示,性别识别结果被显示在人脸上方。有了以上的思路,我们可以在此基础上利用PyQt5设计UI界面,将图片、视频选择和摄像头功能更好展示在界面中。

    在这里插入图片描述

            打开QtDesigner软件,拖动以下控件至主窗口中,调整界面样式和控件放置,性别识别系统的界面设计如下图所示:

    在这里插入图片描述

            控件界面部分设计好,接下来利用PyUIC工具将.ui文件转化为.py代码文件,通过调用界面部分的代码同时加入对应的逻辑处理代码。博主对其中的UI功能进行了详细测试,最终开发出一版流畅得到清新界面,就是博文演示部分的展示,完整的UI界面、测试图片视频、代码文件,以及Python离线依赖包(方便安装运行,也可自行配置环境),均已打包上传,感兴趣的朋友可以通过下载链接获取。


    下载链接

        若您想获得博文中涉及的实现完整全部程序文件(包括测试图片、视频,py, UI文件等,如下图),这里已打包上传至博主的面包多平台和CSDN下载资源。本资源已上传至面包多网站和CSDN下载资源频道,可以点击以下链接获取,已将所有涉及的文件同时打包到里面,点击即可运行,完整文件截图如下:

    在这里插入图片描述

        在文件夹下的资源显示如下,其中包含了Python的离线依赖包,读者可在正确安装Anaconda和Pycharm软件后,点击bat文件进行安装,详细演示也可见本人B站视频。

    在这里插入图片描述

    注意:本资源已经过调试通过,下载后可通过Pycharm运行;运行界面的主程序为runMain.py,测试摄像头或视频脚本可运行main.py,为确保程序顺利运行,请配置Python依赖包的版本如下:➷➷➷

    Python版本:3.8,请勿使用其他版本,详见requirements.txt文件;
    certifi == 2021.10.8
    click == 7.1.2
    numpy == 1.22.3
    opencv-python == 4.5.5.64
    Pillow == 9.0.1
    PyQt5 == 5.15.4
    pyqt5-plugins == 5.15.4.2.2
    PyQt5-Qt5 == 5.15.2
    PyQt5-sip == 12.9.1
    pyqt5-tools == 5.15.4.3.2
    python-dotenv == 0.19.2
    qt5-applications == 5.15.2.2.2
    qt5-tools == 5.15.2.1.2
    wincertstore == 0.2

    完整资源下载链接1https://mianbaoduo.com/o/bread/YpmXk5xv

    完整资源下载链接2博主在CSDN下载频道的完整资源下载页


    结束语

            由于博主能力有限,博文中提及的方法即使经过试验,也难免会有疏漏之处。希望您能热心指出其中的错误,以便下次修改时能以一个更完美更严谨的样子,呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。


    1. https://wuxian.blog.csdn.net/article/details/91347164 ↩︎

    2. Levi G, Hassner T. Age and gender classification using convolutional neural networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition workshops. 2015: 34-42. ↩︎

    3. Schroff F, Kalenichenko D, Philbin J. Facenet: A unified embedding for face recognition and clustering[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 815-823. ↩︎

    展开全文
  • 浏览器指纹实现方案及对比,Cookie、Flash Cookies、帆布指纹识别 浏览器指纹指什么? 是一个能够唯一标识当前浏览器的字符串 实现方法 1、Cookie 2、Cookie替代方案——Flash Cookies 3、帆布指纹识别(使用canvas...

    前言:

    浏览器指纹指什么?

    简单地说,浏览器指纹是一个能够唯一标识当前浏览器的字符串

    作用:

    在网络上精确定位到每一个个体,通过收集这些个体的数据,分析后更加精准的去推送广告(精准化营销)或其他有针对性的一些活动。
    举个例子:
    某天你在某商城购买了一台笔记本,不就你会发现浏览网页时很多广告都变成了笔记本,这是因为你已经被唯一标识了!

    实现方法

    1、Cookie

    用户访问一个网站时,网站可以在用户当前的浏览器Cookie中永久植入一个含有唯一标示符(UUID)的信息,并通过这个信息将用户所有行为关联起来,以便更好地为访客提供个性化服务。

    特点:①:用户可清除,清除后无法唯一标识。②:许多浏览器都有隐身访问模式(即关闭cookie功能)

    2、Cookie替代方案——Flash Cookies

    FlashCookie是由FlashPlayer控制的客户端共享存储技术:
    (1)、类似HTTP Cookie,Flash Cookie利用 SharedObject类实现本地存储信息,SharedObject类用于在用户计算机上读取和存储有限的数据量,共享对象提供永久贮存在用户计算机上的对象之间的实时数据共享;
    (2)、本地共享对象是作为一些单独的文件来存储的,它们的文件扩展名为.SOL;
    (3)、本地共享对象并不是基于浏览器的,所以普通的用户不容易删除它们。如果要删掉它们的话,首先要知道这些文件所在的具体位置。这使得本地共享对象能够长时间的保留在本地系统上。
    特点:比Cookie实现方式好,因为它无法通过浏览器快捷地删除,但比较专业的人士还是能通过本地查找删除:Flash Cookie文件存储在本地文件夹
    C:/Documents and Settings/电脑用户/Application Data/Macromedia/Flash Player/#SharedObjects中。

    3、帆布指纹识别(使用canvas实现)

    通过查询浏览器的代理字符串,屏幕色深,语言,插件安装与支持的 MIME 类型,时区偏移量和其他功能,如本地存储和会话存储等等,然后这些值通过散列函数传递产生指纹,不需要通过 Cookie 存储就可以识别浏览器。
    在绘制canvas图片时,同样的canvas绘制代码,不同机器和浏览器绘制的图片特征是相同并且独一无二的,这样以来,提取最简单的md5值便可以唯一标识和跟踪这个用户。
    目前已有开源项目实现,如fingerprintjs2,fingerprintjs2 是一个快速的浏览器指纹库,纯 JavaScript 实现,没有依赖关系。默认情况下,使用 Murmur Hash 算法返回一个唯一标识当前浏览器的32位字符串。地址:https://github.com/Valve/fingerprintjs2
    点击这里即可看到你的浏览器指纹: http://valve.github.io/fingerprintjs2/

    引用

    支持npm安装或通过script标签引入

    举例:

    在这里插入图片描述
    注:如果options是一样的话,值是一样的,options是浏览器的语言、装了什么插件等信息,传入的东西越多,越精确;假如options传入的是空对象,那么意思是根据当前浏览器所有信息生成指纹。
    结果:
    在这里插入图片描述
    特点:目前暂时没有好的对抗方案,无法屏蔽。

    本人初步测试

    在这里插入图片描述
    在这里插入图片描述

    其他人全面测试

    测试结果:https://docs.zoho.com/sheet/open/08m2ga1cf6790c0eb4d8c8f7e54ca6ddb9b72

    其测试结论

    1.由于涉及设备以及浏览器的判定因素非常多,重复性很低,31台设备皆无重复

    2.也正因为涉及的因素多,一旦设备系统更新 or 浏览器版本更新 or 浏览器关键插件有变化(版本更新 or 新增卸载关键插件) ,生成的ID都会改变,由于浏览器版本更新还是比较频繁的,很容易失去之前跟踪的用户

    结论:canvas指纹只能作为一参考属性去判断设备的唯一性,不能只用这一个因素来判定设备唯一性。fingerPrint.js也不能取代cookie,但是可以作为辅助,如果用户清除了cookie的情况下,还可以通过fingerPrint2.js跟踪到该用户重新set cookie(结论参考)

    展开全文
  • 摘要:人脸检测与识别是机器视觉领域最热门的研究方向之一,本文详细介绍博主自主设计的一款基于深度学习的人脸识别与管理系统。博文给出人脸识别实现原理的同时,给出Python的人脸识别实现代码以及PyQt设计的UI界面...
  • 怎么解决电脑USB接口不识别U盘

    千次阅读 2021-06-01 08:34:03
    第一,分析USB无法识别的硬件原因: 1、BIOS禁用了USB设备。(进入BIOS,将“Enable USB Device”修改为“Enable”) 2、USB接口的问题。(可以考虑换其他的USB接口尝试一下。) 3、主板和系统的兼容性问题。(重新...
  • 不一定非要获取到mac,如果有其他更好的方法确定客户端电脑更好。 系统是为商铺做的,而目前的商铺都是电信的adsl动态ip上网 ========================================== 我这里有一个折中的方法。 ...
  • 1.同一个电脑,同一个浏览器上,同时登陆两个用户,都进入项目购买页面(先A,后B),然后B先提交订单,然后A再提交订单,就能重现 问题的根源在于同一个电脑,同一个浏览器上同时登陆了两个用户,应该是不允许 网上看了很多...
  • 远程唤醒WOL启动服务器或电脑

    千次阅读 2020-02-04 14:03:27
    WOL的原理是:通过向网卡发送一个特定格式的数据包,网卡识别到这个数据包之后,配合硬件等设备来启动电脑或者服务器。虽然电脑或服务器关机了,但是如果是支持WOL的网卡,则网卡仍然是通电的,所以仍然能够接受来自...
  • 在浏览器打开一个网址时,此时浏览器为客户端,你的网站后台tomcat为服务器,客户端向服务器传了一个HTTP请求。 在HTTP请求的头部,有一个字段 User-Agent,用于表示客户端浏览器的类型、及操作系统的类型。以下是...
  • 有时候希望通过一个域名来实现 跳转 至同一网站的不同代码目录(比如一个网站,既有pc端,又有手机端,那么这个时候,就希望通过一个域名来访问,希望能自动识别客户端 是手机,还是电脑,然后跳转到对应的代码页面...
  • 这里面的问题就来了,也是很多人都会问的问题,ebay如何确定同一电脑登陆了多个账号,以及同一账号登陆过多台电脑? 作为一个做网络准入产品的人,俺一直对这个比较感兴趣,当然,网上也有很多的说法,先来一一...
  • 我不懂手机这块啊. 像类似电脑这样的人为怎么改都没用 都能识别到是你 网站可以获取到吗 手机的型号啊什么的
  • 手写的文字怎么进行识别

    千次阅读 2018-08-24 15:10:49
    我们手写的文字想转换到电脑的文档里面,我们就会找一些工具进行手写文字识别,下面给大家推荐一款在线进行手写文字识别的软件-迅捷PDF在线转换器,下面我们就用这款在线转换器操作一下手写文字识别的过程。...
  • 在深度学习的项目实践中,往往会遇到两个非常难以克服的难题,一是算力,要得到精确的结果,你需要设计几千层,规模庞大的...我们将开放一个神经网络,用于识别猫狗照片,用于训练模型的照片数量不多,大概4000张...
  • 防共享识别和控制技术2.1PC间共享解决方案NAT共享上网场景PC与PC间共享场景(一)PC与PC共享场景(二)PC与PC共享场景(三)2.2传统防共享技术ID轨迹检测时钟偏移检测其他传统的防共享技术深信服DPI检测技术QQ检测防...
  • 基于人脸识别的课堂签到管理系统(三)---实时时间显示以及百度AI人脸识别一.前言概述二.实时时间显示三.百度AI人脸识别3.1 获取access_token3.2 发送请求,通过网络请求方式完成让百度AI进行人脸检测四.相关下载 一...
  • 特色五:采用多站切换模式,支持多个站点共用同一空间,站点自动识别域名进行管理及访问; 特色六:代理商可以一键打包下载所创建的站点源码 特色七:特色SEO云链系统,汇集众多使用本软件的站点成为庞大站群库;...
  • 网络处在公用网络连不上网,求解决办法 [热心相助]通常,台式电脑网络连接正常却上不了网的原因:1、路由没开启DHCP,获取不到IP,网络受限制,或同一网络中有人使用执行官等造成干扰。 2、电脑本身问题,网卡问题或...
  • 日常生活中,我们的电脑总会遇到各种各样的问题,掌握了修电脑的技能,会对我们有很大的帮助,至少出现问题的时候不会手忙脚乱,打乱我们的工作计划,或者花冤枉钱拿出去修,下面就给大家简单讲述电脑软件无法启动...
  • 网站用户身份标识的识别

    千次阅读 2016-09-08 18:01:00
    IP地址是最容易获取的信息,任何的WEB日志中均会包含,但其局限性也较为明显:伪IP、代理、动态IP、局域网共享同一公网IP出口……这些情况都会影响基于IP来识别用户的准确性,所以IP识别用户的准确性比较低,目前...
  • Python验证码识别 | 源码+通用识别模型

    万次阅读 多人点赞 2019-01-30 17:45:50
    关键词:Python验证码识别,基于CRNN(CNN+Bi-GRU+CTC)实现的验证码识别方案,无论是简单或者复杂的验证码均可一键99%通杀,包含源码和通用识别模型,可秒杀绝大多数验证码。我可以向你们保证,它绝对会是你所见过...
  • 一文看懂人脸识别

    千次阅读 2019-05-29 10:46:11
    简要介绍人脸识别相关流程
  • 特色五:采用多站切换模式,支持多个站点共用同一空间,站点自动识别域名进行管理及访问; 特色六:代理商可以一键打包下载所创建的站点源码 特色七:特色SEO云链系统,汇集众多使用本软件的站点成为庞大站群库;...
  • 重复IP地址可能会给网络管理员带来很多麻烦。如何检测出网络中的重复IP地址?如果网络中有路由器,还能检测到重复IP地址吗?答案是可以,通过一些方法比如发送ARP数据包到该IP地址,可以检测出重复IP地址
  • 人脸识别 一、MaixPy IDE开发 参考博主晨少hc的博文(https://blog.csdn.net/HuangChen666/article/details/113995079)来实现人脸识别功能,我用的硬件是亚博智能的K210开发板,在配置工程中有几步和这个博主的不...
  • 现代光学字符识别技术综述

    千次阅读 2020-10-23 11:44:44
    文章目录摘要1 介绍1.1 OCR是模式识别的一个成功分支1.2 两类OCR系统1.3 现代OCR的主要趋势1.4 本报告的主要关注点和动机2 光学字符识别2.1基本ocr技术2.2当前可用的OCR系统2.2.1商用OCR解决方案2.2.2 开源领域OCR...
  • 特色五:采用多站切换模式,支持多个站点共用同一空间,站点自动识别域名进行管理及访问; 特色六:代理商可以一键打包下载所创建的站点源码 特色七:特色SEO云链系统,汇集众多使用本软件的站点成为庞大站群库;...
  • 人脸识别研究

    千次阅读 2019-01-14 13:41:54
    一、发展史1、人脸识别的理解: 人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等),自动进行身份识别的一种生物识别技术,又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。...
  • 1.User-Agent(请求时header中的一个...由于没有什么技术要求,许多网站取消或不使用UA来识别爬虫, 解决办法: 但有时候使用了UA,觉得网站没有什么其他反爬手段了,就是没有返回正常或完整的数据时,原因就有可能..

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 16,276
精华内容 6,510
关键字:

网站识别同一电脑