基于opencv的人脸闭眼识别疲劳监测

1. 项目简介

本项目旨在实现基于眼部特征的眨眼检测，通过监测眼睛开闭状态来计算眨眼次数，从而应用于疲劳监测、注意力检测等场景。使用了面部特征点检测算法，以及眼部特征比率（EAR, Eye Aspect Ratio）来判断眼睛的闭合状态。当EAR值低于设定的阈值时，系统判定为眨眼。整个项目采用了Dlib库进行面部特征点定位，并使用OpenCV进行视频流的实时处理和可视化。通过设定合适的阈值和连续帧数参数，该模型能够准确判断并统计眨眼次数。该项目适用于基于视频流的实时眨眼检测场景，并可进一步扩展到疲劳驾驶检测、医疗健康监测以及基于表情的交互应用中。

在这里插入图片描述

2.技术创新点摘要

  1. 基于面部特征点的眼部状态检测： 代码使用Dlib库进行面部特征点检测，并通过预测68个关键点来定位眼部区域。该方法能够精确定位每个关键点的位置，确保眼部区域的检测具有较高的准确性。相比于传统的基于像素的眼部检测方法，这种基于特征点的方式更加鲁棒，能够在不同光照、角度和面部姿态下保持稳定的检测效果。
  2. 提出眼部特征比率（EAR）的判定机制： 项目中定义了眼部特征比率（EAR, Eye Aspect Ratio），通过计算眼部竖直方向的两个特征点距离与水平方向的距离比值，动态反映眼睛的开闭状态。这一比率的设计能够在眨眼时有效地捕捉眼部变化，并且与传统的基于面积或形状的检测方法相比，受噪声干扰较小。同时，EAR的阈值判定法具有较强的普适性，不同用户仅需微调参数即可适应多种应用场景。
  3. 实时眨眼检测与连续帧闭合判定： 在项目中，通过实时视频流获取用户眼部图像并进行处理，利用EAR值与预设阈值进行实时判定。创新地引入了“连续帧闭合判定”机制，即只有当眼部EAR值连续多帧低于设定阈值时，才计为一次有效的眨眼行为。该机制避免了因瞬时噪声或轻微眼部动作（如快速眨眼或眼球移动）引起的误判，提升了检测的精度和可靠性。
  4. 可视化与交互设计： 该项目在实时检测过程中提供了可视化展示，包括眨眼次数统计、EAR值的动态变化以及眼部轮廓的实时标注。通过这种可视化方式，用户能够直观地了解系统的检测状态，从而提升了模型的可解释性与交互体验。

3. 数据集与预处理

本项目的眨眼检测主要依赖于视频流数据和面部特征点检测模型进行实时处理，因此数据集以动态视频帧为主，并通过Dlib提供的预训练面部特征点模型来提取特征。视频源可以是实时摄像头输入或预录制的视频文件，通过OpenCV进行逐帧处理。该项目不直接使用大规模的图像数据集，而是通过Dlib模型的shape_predictor_68_face_landmarks.dat权重文件来对面部进行特征点定位。特征点数据能够精准定位眼睛、嘴巴、鼻子等关键面部区域，因此，项目中没有传统数据集的标注步骤，而是基于特征点模型的输出进行二次处理。

在数据预处理方面，该项目采取了以下步骤：

  1. 图像尺寸调整： 每帧图像在输入时会被统一调整到指定大小（宽度1200像素），保证所有帧的尺度一致，从而避免因不同视频分辨率带来的计算误差。此外，项目通过OpenCV对帧数据进行灰度化处理，减少色彩冗余，提升检测速度和准确性。
  2. 面部特征点提取： 使用Dlib的面部检测器（detector = dlib.get_frontal_face_detector()）来检测每一帧中的人脸区域，并通过68个面部特征点预测模型（shape_predictor）提取关键点坐标，主要关注眼部区域的特征点。然后将提取的特征点转换为Numpy数组格式，便于后续计算和处理。
  3. 眼部区域特征工程： 项目中定义了眼部特征比率（EAR）作为核心判定特征。通过计算左眼和右眼的竖直与水平距离比率，并进一步结合两眼的平均值来判断眼部状态。EAR特征能够有效区分眨眼和非眨眼状态，是项目的重要特征工程步骤。

4. 模型架构

  1. 模型结构的逻辑

本项目主要使用传统的计算机视觉方法，而非典型的深度学习神经网络模型。其核心检测部分依赖于基于Dlib库的面部特征点检测算法，并未使用典型的卷积神经网络（CNN）或循环神经网络（RNN）模型。项目的关键算法部分包括以下结构逻辑：

  • 面部特征点检测模型： 使用Dlib的shape_predictor来检测面部的68个关键点，该模型是基于监督学习的回归树（Regression Trees）算法实现的。它通过逐步调整面部区域的坐标，最终确定68个特征点的精确位置。模型输入为图像的灰度值矩阵，输出为面部68个关键点的二维坐标。
  • 眼部特征比率（Eye Aspect Ratio, EAR）计算： 通过面部特征点定位获取眼部区域（左眼和右眼各6个点），定义竖直方向上的点对距离为 A 和 B，水平方向的点对距离为 C。具体公式如下：

A = ( x 2 − x 6 ) 2 + ( y 2 − y 6 ) 2 A = \sqrt{(x_2 - x_6)^2 + (y_2 - y_6)^2} A=(x2​−x6​)2+(y2​−y6​)2 ​

B = ( x 3 − x 5 ) 2 + ( y 3 − y 5 ) 2 B = \sqrt{(x_3 - x_5)^2 + (y_3 - y_5)^2} B=(x3​−x5​)2+(y3​−y5​)2 ​

C = ( x 1 − x 4 ) 2 + ( y 1 − y 4 ) 2 C = \sqrt{(x_1 - x_4)^2 + (y_1 - y_4)^2} C=(x1​−x4​)2+(y1​−y4​)2 ​

其中，(x1,y1) 到 (x6,y6) 表示眼睛周围的6个关键点。眼部特征比率（EAR）的定义如下：

E A R = A + B 2 × C EAR = \frac{A + B}{2 \times C} EAR=2×CA+B​

EAR值反映了眼睛的开合状态，当EAR值低于某个设定的阈值时，即判断为眨眼状态。

  • 阈值判定与计数机制： 在模型中设定了两个关键参数：EAR阈值（EYE_AR_THRESH = 0.3）和连续帧计数阈值（EYE_AR_CONSEC_FRAMES = 3）。当EAR值低于0.3且连续低于3帧时，系统会判定为一次有效的眨眼行为，并在计数器中累加。

整体来看，本项目的结构较为简单，主要由图像预处理、面部特征点检测、EAR值计算、阈值判定、以及可视化输出几个步骤组成。所有这些步骤在代码中被集成在同一个脚本中，以逐帧的方式处理视频流。

  1. 模型的整体训练流程与评估指标

由于本项目并非深度学习模型，因此没有典型的训练流程和神经网络的训练阶段。相反，它主要依赖于预训练的Dlib面部特征点检测模型（shape_predictor_68_face_landmarks.dat），该模型本身已经通过大规模的人脸关键点数据集进行训练。

项目的整体工作流程如下：

  1. 模型加载与参数初始化： 首先通过Dlib加载面部特征点检测模型，并初始化EAR阈值与连续帧检测参数。
  2. 视频流逐帧处理： 从输入视频或实时摄像头中逐帧读取图像，并转换为灰度图以提升检测速度。
  3. 面部特征点检测： 使用Dlib模型在每一帧中检测人脸，并定位眼部的6个关键点坐标。
  4. EAR值计算与判定： 基于提取的眼部特征点，逐帧计算EAR值，并与预设阈值进行比较，判断当前帧是否为眨眼状态。
  5. 眨眼次数统计与可视化： 当连续帧数低于阈值时，判定为一次眨眼，并在总次数上累加，同时在图像中实时显示眨眼次数。

评估指标：

该项目没有传统模型训练的评估指标，如损失函数或精确度，但可通过以下两个指标来评估其效果：

  • 眨眼检测准确率： 即检测到的眨眼次数与实际眨眼次数的比例。
  • 误报率（False Positive Rate, FPR）： 系统误判为眨眼的帧数与总检测帧数的比例。

5. 核心代码详细讲解

1. 面部特征点定位与初始化
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])

详细解释：

  • detector = dlib.get_frontal_face_detector(): 这行代码使用 dlib 的内置函数 get_frontal_face_detector() 加载一个预训练的人脸检测器。该检测器采用基于方向梯度直方图（HOG, Histogram of Oriented Gradients）和线性分类器的方法来快速定位图像中的人脸位置，返回的是一个 detector 对象。这个对象用于检测输入图像中的人脸区域。
  • predictor = dlib.shape_predictor(args["shape_predictor"]): 该行代码加载了预训练的面部特征点模型 shape_predictor。这个模型通常是 shape_predictor_68_face_landmarks.dat 文件，用于检测人脸中的68个关键点（例如眼睛、鼻子、嘴巴、下巴等位置）。它将返回一个 predictor 对象，该对象可用于进一步获取每个面部特征点的坐标。
2. EAR（眼部特征比率）计算函数
def eye_aspect_ratio(eye):A = dist.euclidean(eye[1], eye[5])B = dist.euclidean(eye[2], eye[4])C = dist.euclidean(eye[0], eye[3])ear = (A + B) / (2.0 * C)return ear

详细解释：

  • def eye_aspect_ratio(eye): 定义了一个名为 eye_aspect_ratio 的函数，该函数用于计算眼睛的特征比率（EAR）。它的输入参数 eye 是一个包含6个面部关键点坐标的列表，表示当前帧中检测到的一个眼部区域。
  • A = dist.euclidean(eye[1], eye[5]): 使用 scipy.spatial.distance 模块中的 euclidean 函数计算眼部竖直方向上两个点（第2个点和第6个点）之间的欧氏距离。该值存储在变量 A 中。
  • B = dist.euclidean(eye[2], eye[4]): 计算竖直方向上另一对点（第3个点和第5个点）之间的距离，并存储在变量 B 中。
  • C = dist.euclidean(eye[0], eye[3]): 计算水平方向上两个端点（第1个点和第4个点）之间的距离，并存储在变量 C 中。
  • ear = (A + B) / (2.0 * C): 根据EAR公式 EAR=A+B2×C\text{EAR} = \frac{A + B}{2 \times C}EAR=2×CA+B 计算眼睛的特征比率。该比率反映了眼睛的开闭程度，EAR值越低表示眼睛越闭合。
  • return ear: 返回当前眼部区域的EAR值。
3. 逐帧处理与眼部状态判断
if ear < EYE_AR_THRESH:COUNTER += 1else:if COUNTER >= EYE_AR_CONSEC_FRAMES:TOTAL += 1COUNTER = 0

详细解释：

  • if ear < EYE_AR_THRESH: 检查计算得到的 ear 值是否小于设定的阈值 EYE_AR_THRESH（在代码中设定为0.3）。如果 ear 值小于该阈值，表示眼睛处于闭合状态。
  • COUNTER += 1: 当眼睛处于闭合状态时，累加闭眼计数器 COUNTER。这个计数器用于统计当前连续闭眼的帧数。
  • else: 如果 ear 值大于或等于阈值，表示眼睛处于睁开状态，进入 else 分支。
  • if COUNTER >= EYE_AR_CONSEC_FRAMES: 检查 COUNTER 是否大于等于设定的连续帧阈值 EYE_AR_CONSEC_FRAMES（设定为3）。这表示眼睛已经连续闭合了3帧，判定为一次有效的眨眼行为。
  • TOTAL += 1: 当满足连续闭眼帧数条件时，眨眼总数 TOTAL 加1。
  • COUNTER = 0: 重置 COUNTER 计数器，表示从当前帧开始重新统计。
4. 实时视频流处理与展示
cv2.putText(frame, "Blinks: {}".format(TOTAL), (10, 30),cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30),cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)

详细解释：

  • cv2.putText(frame, "Blinks: {}".format(TOTAL), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2): 使用 OpenCV 的 putText 函数在当前帧 frame 中显示文本信息。文本内容为当前检测到的眨眼总次数 TOTAL，显示位置为图像左上角（坐标 (10, 30)），字体类型为 FONT_HERSHEY_SIMPLEX，字体大小为 0.7，颜色为红色 (0, 0, 255)，粗细为2。
  • cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2): 显示当前帧中计算的 EAR 值（保留两位小数），显示位置为图像的 (300, 30)，格式与上一行相同。这些实时信息有助于用户直观地看到当前检测状态。
5. 视频流结束与资源释放
vs.release()
cv2.destroyAllWindows()

详细解释：

  • vs.release(): 释放视频流对象 vs 占用的资源，确保程序退出时不会发生内存泄漏或资源占用。
  • cv2.destroyAllWindows(): 关闭所有由 OpenCV 创建的窗口。该行代码用于清理与视频流处理相关的可视化窗口，保证程序顺利退出。

6. 模型优缺点评价

优点：

  1. 轻量化与实时性： 本项目采用传统的计算机视觉方法（面部特征点检测与EAR值计算），而非复杂的深度学习模型，能够在普通CPU上实现实时的眨眼检测，具有较低的计算开销，适合于移动设备或嵌入式系统的应用。
  2. 特征工程稳定性： 通过EAR（眼部特征比率）这一简单而有效的几何特征来判断眼睛的开闭状态，避免了传统基于像素点或面积的特征易受光线和噪声干扰的问题。同时，EAR对不同用户的眼部形状具有较好的鲁棒性，适用范围广。
  3. 高可解释性： 使用几何比率来描述眼睛状态，模型输出的EAR值能够直接反映当前眼部状态的变化，使得模型的行为具有较高的可解释性。

缺点：

  1. 对人脸检测器依赖较高： 该项目依赖于Dlib的人脸检测与特征点定位模型，因此在实际应用中，人脸姿态变化、部分遮挡或光照变化会导致特征点定位不准，从而影响EAR的计算结果，导致检测精度下降。
  2. 缺乏深度学习特征表示： EAR值作为单一的几何特征，在处理复杂场景（如快速眨眼、疲劳检测）时可能存在误判，无法有效捕捉更多上下文信息或复杂表情。
  3. 缺乏适应性： EAR阈值与连续帧数阈值是通过人工设定的超参数，对不同用户或不同视频数据源的适应性差，可能需要频繁调整参数。

模型改进方向：

  1. 引入深度学习模型： 考虑使用卷积神经网络（CNN）或更复杂的模型（如LSTM、RNN）来捕捉视频中的时间序列特征，通过端到端训练来提升模型对复杂场景的鲁棒性。
  2. 改进人脸检测与特征点提取方法： 可以引入更先进的面部特征点检测模型（如OpenFace或MediaPipe），提升对不同姿态、光照和遮挡情况的检测效果。
  3. 参数自适应调整： 采用自适应参数调整策略，或通过深度学习模型自动学习不同用户的特征，使系统能够在不同应用场景下自我优化。

↓↓↓更多热门推荐：
transformers和bert实现微博情感分类模型提升
基于ResNet50模型的船型识别与分类系统研究

全部项目数据集、代码、教程进入官网zzgcz.com

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.mzph.cn/pingmian/57430.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

可观测日北京｜观测云：可观测性需要做到“三个一”

可观测日北京｜观测云：可观测性需要做到“三个一”

2024年10月&#xff0c;备受期待的中国可观测日「北京站」圆满落幕。本次活动汇聚了来自云计算、技术创新等领域的专家&#xff0c;探讨了探讨了可观测性在云计算和数字化转型中扮演的角色。观测云也在活动展示了作为可观测性行业领袖的技术力和创新力。 观测云技术亮点&#…
阅读更多...
python画图|坐标轴显隐设置

python画图|坐标轴显隐设置

【1】引言 前序学习中&#xff0c;已经发现坐标轴的显示具有至关重要的影响&#xff0c;因此今天继续探索相关技巧&#xff1a;坐标轴显隐设置。 前序学习内容可通过下述链接直达&#xff1a; python画图| 对齐图名和标签-CSDN博客 【2】官网教程 点击下方链接可以直达官网…
阅读更多...
react 基础学习笔记

react 基础学习笔记

1.react 语法 ①数据渲染 函数组件将HTML结构直接写在函数的返回值中 JSX只能有一个根元素 JSX插值写法 插值可以使用的位置 1.标签内容&#xff1b; 2.标签属性 JSX 条件渲染&#xff1a;三目运算符&#xff1b; JSX根据数据进行列表渲染&#xff1a;map()方法&#x…
阅读更多...
【读书笔记-《网络是怎样连接的》- 2】Chapter2_1-协议栈通信详细过程

【读书笔记-《网络是怎样连接的》- 2】Chapter2_1-协议栈通信详细过程

第二章从协议栈这部分来看网络中的通信如何实现&#xff0c;准备从两部分来进行分解。本篇是第一部分&#xff1a;详细介绍TCP协议栈收发数据的过程。 首先来看下面的图。从应用程序到网卡需要经过如下几部分&#xff0c;上面的部分通过委托下面的部分来完成工作。首先是应用程…
阅读更多...
Windows 10、Office 2016/2019 和 PPTP 和 L2TP协议即将退役，企业应尽早做好准备

Windows 10、Office 2016/2019 和 PPTP 和 L2TP协议即将退役，企业应尽早做好准备

关心微软技术和产品的朋友一定对这个网站很熟悉&#xff1a;https://microsoftgraveyard.com/&#xff0c;这里静静的躺着很多微软技术和产品。近日&#xff0c;微软又在准备一场新的“告别仪式”了&#xff0c;这次是 Windows 10、Office 2016/2019 和一些老旧的协议与技术。让…
阅读更多...
Apache Seata 新版本集成了 RocketMQ 事务消息

Apache Seata 新版本集成了 RocketMQ 事务消息

大家好&#xff0c;我是君哥。 Apache Seata 是一款高性能、简单易用的分布式事务中间件&#xff0c;它包含 AT、TCC、SAGA 和 XA 四种模式。 在最近发布的新版本中&#xff0c;Apache Seata 引入了 RocketMQ 中间件&#xff0c;并且跟 RocketMQ 的事务消息配合使用。今天我们…
阅读更多...
Vue Router实现路由懒加载

Vue Router实现路由懒加载

为了提高页面的加载速度&#xff0c;我们可以使用Vue Router的路由懒加载功能。路由懒加载是什么呢&#xff0c;路由懒加载就是只有当访问某个路由的时候再加载其相应的页面。 官方文档地址https://router.vuejs.org/guide/advanced/lazy-loading.html 以前我写路由懒加载的时候…
阅读更多...
详细教程：使用Grafana监控Mysql

详细教程：使用Grafana监控Mysql

什么是Grafana Grafana是一个跨平台的开源的度量分析和可视化工具&#xff0c;可以通过将采集的数据查询然后可视化的展 示&#xff0c;并及时通知。 下载Grafana 下载地址: https://grafana.com/grafana/download [rootgrafana ~]# wget https://dl.grafana.com/oss/relea…
阅读更多...
qt QPushButton详解

qt QPushButton详解

QPushButton是Qt Widgets模块中的一个基本控件&#xff0c;用于提供可点击的按钮。它是用户界面中最为常见和常用的控件之一&#xff0c;通过点击按钮&#xff0c;用户可以触发特定的应用程序操作。 重要方法 QPushButton(const QIcon &icon, const QString &text, QWi…
阅读更多...
【OpenAI】第五节（图像生成）利用 OpenAI 的 DALL·E 实现自动化图像生成：从文本到图像的完整教程

【OpenAI】第五节（图像生成）利用 OpenAI 的 DALL·E 实现自动化图像生成：从文本到图像的完整教程

引言 OpenAI 推出的 DALLE 工具因其能够生成令人惊叹的艺术作品而备受瞩目。DALLE 不仅能够生成静态图像&#xff0c;还能根据用户的需求进行风格化处理&#xff0c;创造出独特的艺术作品。通过 OpenAI 的 API&#xff0c;你可以轻松将 DALLE 的强大功能集成到你的 Python 程序…
阅读更多...
《分布式机器学习模式》：解锁分布式ML的实战宝典

《分布式机器学习模式》：解锁分布式ML的实战宝典

在大数据和人工智能时代&#xff0c;机器学习已经成为推动技术进步的重要引擎。然而&#xff0c;随着数据量的爆炸性增长和模型复杂度的提升&#xff0c;单机环境下的机器学习已经难以满足实际需求。因此&#xff0c;将机器学习应用迁移到分布式系统上&#xff0c;成为了一个不…
阅读更多...
Xcode16 编译运行YYCache iOS18 sqlite3_finalize 闪退问题解决方案

Xcode16 编译运行YYCache iOS18 sqlite3_finalize 闪退问题解决方案

问题原因 升级Xcode 16 之后&#xff0c;真机运行APP&#xff0c;发现会有Crash&#xff0c;崩溃堆栈线上Crash 在 YYCache 之中。如下图所示 崩溃堆栈如下&#xff1a; * thread #1, queue com.apple.main-thread, stop reason signal SIGABRTframe #0: 0x00000001d9391…
阅读更多...
免费开源Odoo软件如何实现电商仓库高效发货

免费开源Odoo软件如何实现电商仓库高效发货

世界排名第一的免费开源ERP软件Odoo&#xff0c;拥有非常强大的仓库管理WMS功能。本文以电商仓库发货管理为例&#xff0c;介绍电商订单的仓库发货作业的各种方法。电商订单仓库发货流程&#xff0c;通常分为三个步骤&#xff0c;即拣货、打包、发货。根据仓库日处理订单数量的…
阅读更多...
九、pico+Unity交互开发——触碰抓取

九、pico+Unity交互开发——触碰抓取

一、VR交互的类型 Hover&#xff08;悬停&#xff09; 定义&#xff1a;发起交互的对象停留在可交互对象的交互区域。例如&#xff0c;当手触摸到物品表面&#xff08;可交互区域&#xff09;时&#xff0c;视为触发了Hover。 Grab&#xff08;抓取&#xff09; 概念&#xff…
阅读更多...
京东笔试题

京东笔试题

和谐敏感词 &#x1f517; 题目地址 &#x1f389; 模拟 import java.util.Scanner;public class Main {public static void main(String[] args) {Scanner scanner new Scanner(System.in);int n scanner.nextInt();String s scanner.next();String[] words new String[…
阅读更多...
【毕业设计】基于SpringBoot的网上商城系统

【毕业设计】基于SpringBoot的网上商城系统

前言 &#x1f525;本系统可以选作为毕业设计&#xff0c;运用了现在主流的SSM框架&#xff0c;采用Maven来帮助我们管理依赖&#xff0c;所选结构非常合适大学生所学的技术&#xff0c;非常合适作为大学的毕业设计&#xff0c;难以适中。 &#x1f525;采用技术&#xff1a;Sp…
阅读更多...
C++：模板（2）

C++：模板（2）

目录 非类型模板参数 模板的特化 概念 函数模板特化 类模板特化 全特化 偏特化 模板的分离编译 分离编译的概念 模板的分离编译 ​编辑 模板总结 非类型模板参数 模板参数分为类型形参与非类型形参。 类型形参&#xff1a;在模板参数列表中&#xff0c;跟在class…
阅读更多...
HttpURLConnection构造请求体传文件

HttpURLConnection构造请求体传文件

HttpURLConnection构造请求体传文件 在Java中&#xff0c;使用HttpURLConnection构造请求体传输文件&#xff0c;你需要做以下几步&#xff1a; 1、创建URL对象指向你想要请求的资源。 2、通过URL打开连接&#xff0c;转换为HttpURLConnection实例。 3、设置请求方法为POST。 …
阅读更多...
GB/T28181-2022规范解读、应用场景和技术实现探究

GB/T28181-2022规范解读、应用场景和技术实现探究

GB/T28181-2022和GB/T28181-2016区别 GB/T28181-2022《公共安全视频监控联网系统信息传输、交换、控制技术要求》与 GB/T28181-2016 相比&#xff0c;主要有以下区别&#xff1a; 术语和定义方面&#xff1a; 术语删减&#xff1a;GB/T28181-2022 删除了 “联网系统信息”“数…
阅读更多...
Win安装Redis

Win安装Redis

目录 1、下载 2、解压文件并修改名称 3、前台简单启动 4、将redis设置成服务后台启动 5、命令启停redis 6、配置文件设置 1、下载 【下载地址】 2、解压文件并修改名称 3、前台简单启动 redis-server.exe redis.windows.conf 4、将redis设置成服务后台启动 redis-server -…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023