发表于 | 更新于

反编译安卓apk的过程如下：

  • 使用apktool反编译apk。使用如下命令：
1
apktool d -s <file.apk> -o <outdir>
  • 使用dex2jar工具，将dex文件转成jar文件。使用如下命令：
1
d2j-dex2jar.bat <classes.dex>
  • 使用jd-gui查看jar包源代码。
  • 从res/layout目录查看视图界面布局

参考链接

  1. 使用apktool反编译apk文件,by ruancoder.
  2. Android逆向基础：Smali语法,by 李全栋.
  3. AXMLPrinter2.jar查看apk中的布局xml文件,by Bluze.
  4. APK文件结构和安装过程,by cptbtptpss.

发表于

常用的Java反编译工具有：

JD-GUI是一个独立的图形实用程序，可显示“.class”文件的Java源代码。您可以使用JD-GUI浏览重构的源代码，以便即时访问方法和字段。

JD Eclipse是Eclipse平台的插件。它允许您在调试过程中显示所有Java源代码，即使您没有全部Java源代码。

JD Core是一个库，它从一个或多个“.class”文件重建Java源代码。JD Core可用于恢复丢失的源代码并探索Java运行时库的源代码。支持Java 5的新特性，如注释、泛型或类型“enum”。JD-GUI和JD Eclipse包括JD核心库。

JD Core、JD-GUI和JD Eclipse是根据GPLv3许可证发布的开源项目。

参考链接

  1. 超好用的java反编译工具(Java Decompiler),by 杜春霞.
  2. Java Decompiler,by Java Decompiler.

发表于

在室内环境无法使用卫星定位时，使用室内定位技术作为卫星定位的辅助定位，解决卫星信号到达地面时较弱、不能穿透建筑物的问题。最终定位物体当前所处的位置。常见的室内无线定位技术还有：Wi-Fi、蓝牙、红外线、超宽带、RFID、ZigBee、动作捕捉 和超声波。

参考链接

  1. 一文看懂UWB室内定位技术,by 马毅煌.
  2. 室内定位,by 百度百科.
  3. 8种室内RTLS（实时定位）技术对比,by 万间云.

发表于 | 更新于

最近需要在国际会议上口头报告，赶紧研究一下。

PPT制作技巧

总的原则是：学术报告的PPT应该老老实实，简化形式，内容至上。

  • 白底黑字。学术报告的PPT一般不使用背景和模板。
  • 中文字体用黑体，英文字体用Arial。
  • PPT第一页是报告题目（居中），报告人的姓名，单位及时间。
  • 提纲不能写成研究背景、实验部分、结果与讨论、结论和致谢（等于什么都没说）。提纲应该重点突出报告内容之间的逻辑关系。
  • PPT每一页都要有目录标题和小标题。
  • PPT除标题页外都要加页码，方便观众提问，也方便自己定位。
  • 颜色“无必要，不使用”。
  • 使用动画要慎重。
  • 大段文字是PPT的大忌。文字应该能省则省，给出关键的数据和结论即可。
  • 检查细节。
  • 一页PPT只讲一件事。展示的内容都要讲，不讲的不要放，避免分散观众注意力。
  • 守时是纪律，超时是大忌。
  • 尽快切入主题，研究背景不要超过3页。
  • 不要幽默。
  • 论文里的图片不要直接复制粘贴，因为论文中的图片多数是几张小图拼在一起的，建议拆开成几页PPT，每页只讲一件事（去掉abcd）。
  • PPT中线条、箭头、方框、注释“无必要，不使用”。
  • 致谢的内容包括导师、合作者和基金。
  • 致谢之后可以放几页补充材料（Appendix），以备提问环节使用。
  • PPT做完以后换台电脑播放一下。
  • PPT是为演讲服务的。

口头报告技巧

参考链接

  1. 国际学术会议英文口头报告(Oral presentation)常用语句,by 凯鲁嘎吉.
  2. 国际学术会议英文提问环节的回答范例,by 凯鲁嘎吉.
  3. 怎样做好学术 PPT？,by zhihu.
  4. “How to present a papers at an academic conferences”,by editing.

发表于 | 更新于

背景提取

当观察场景的是一个固定的相机，背景几乎保持不变。在这种情况下，感兴趣的元素是在场景中运动的物体。我们将这些运动的物体称为前景，为了提取出这些前景物体，我们需要对背景建模，然后将当前帧的模型与背景模型进行比较，以检测前景物体。

运动前景对象的有效检测对于对象跟踪、目标分类、行为理解等后期处理至关重要。区分前景对象，关键的一个问题是：确定一个非常合适的背景。背景从象素的角度来理解，每一个象素就是有可能是前景点，也有可能是背景点，那么我们就要防止背景中误进入原属于前景点的对象，目前有几种常用的方法，但分别有利弊。

具体请参考OpenCV视频篇——背景/前景提取。

固定背景提取法

根据视频序列动态建立背景

均值法、中值法、滑动均值滤波、单高斯

帧间差分法

背景就是上一帧图像。每一帧与上一帧进行差分运算。

优点：速度较快，稳定性较好。

缺点：可能出现物体的“空洞现象”，空洞是由于某一大型运动物体，它的两帧之间存在象素十分接近的重合部分，所以导致这部分被差分剪去了。

混合高斯法

参考连接

  1. OpenCV-Python图像乘法运算cv2.multiply函数详解及像素值溢出归一化处理,by LaoYuanPython.
  2. OpenCV各版本差异与演化，从1.x到4.0,by 日拱一卒.
  3. 主成分分析（PCA）原理详解.
  4. 图像与滤波,by 阮一峰.
  5. OpenCV—python 视频分析背景提取与前景提取,by SongpingWang.
  6. OpenCV视频篇——背景/前景提取,by WaitFoF.
  7. 40. 如何消除摄影中的运动模糊?,by Wang Hawk.
  8. 基于opencv对高空拍摄视频消抖处理_js君-程序员ITS401,by its401.
  9. 马尔科夫随机场(MRF)在深度学习图像处理中的应用-图像分割、纹理迁移,by OLDPAN.
  10. 图像去噪（噪声）的主要算法,by 工程之家.
  11. opencv2中的背景/前景分离（类BackgroundSubtractor）,by 阳光下的Smiles.
  12. 混合高斯背景建模原理及实现,by taotao1233.
  13. 【OpenCV学习系列】之Background Subtraction,by AutoSleep.
  14. OpenCV —数据持久化: FileStorage类的数据存取操作与示例,by iracer.
  15. OpenCV中InputArray和OutputArray使用方法,by Curnane.
  16. 图像处理之灰色图转化为RGB图像,by llh_1178.
  17. 几何中心,by wikipedia.
  18. C++ vector 删除符合条件的元素,by 旭东.

发表于 | 更新于

为提供静态资源web服务，安装好nginx后，进入nginx安装目录的conf目录下，修改nginx.conf文件，配置如下：

1
2
3
4
5
6
server {
       listen 88;
       server_name localhost;
       # root     /home/ubuntu/static/;
       root D:/PortableApp/nginx-1.21.6/test;
}

参考链接

  1. nginx静态资源服务器简单配置,by wllllllllllllllll.

发表于 | 更新于

对 TensorFlow Raspbian package 进行交叉编译 (cross-compiling)。 交叉编译使用的平台与部署平台不同。 相较于在 Raspberry Pi 使用有限的 RAM 和相对较慢的处理器，我们更加建议在 Linux ，macOS 或 Windows 等功能更强大的主机上构建TensorFlow。

宿主机 （host） 设置

安装 Docker

为了简化依赖关系管理，构建脚本使用 Docker 来创建虚拟 Linux 开发环境进行编译。通过执行以下操作来验证您的 Docker 是否安装成功： docker run –rm hello-world。

具体安装过程请参考如何在 Ubuntu 20.04 上安装和使用 Docker。

Docker使用方法

以 koa-demos 项目为例，介绍怎么写 Dockerfile 文件，实现让用户在 Docker 容器里面运行 Koa 框架。

1
2
git clone https://github.com/ruanyf/koa-demos.git
cd koa-demos

编写 Dockerfile 文件

首先，在项目的根目录下，新建一个文本文件.dockerignore，写入下面的内容。

1
2
3
.git
node_modules
npm-debug.log

上面代码表示，这三个路径要排除，不要打包进入 image 文件。如果你没有路径要排除，这个文件可以不新建。

然后，在项目的根目录下，新建一个文本文件 Dockerfile，写入下面的内容。

1
2
3
4
5
FROM node:8.4
COPY . /app
WORKDIR /app
RUN npm install --registry=https://registry.npm.taobao.org
EXPOSE 3000

创建 image 文件

有了 Dockerfile 文件以后，就可以使用docker image build命令创建 image 文件了。

1
2
3
$ docker image build -t koa-demo .
# 或者
$ docker image build -t koa-demo:0.0.1 .

如果运行成功，就可以看到新生成的 image 文件koa-demo了。

1
docker image ls

生成容器

docker container run命令会从 image 文件生成容器。

1
2
3
$ docker container run -p 8000:3000 -it koa-demo /bin/bash
# 或者
$ docker container run -p 8000:3000 -it koa-demo:0.0.1 /bin/bash

下载 Tensorflow 源代码

使用 Git 克隆 TensorFlow：

1
2
git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

默认为 master 分支。您还可以签出要构建的 release 分支：

1
git checkout branch_name  # r1.9, r1.10, etc.

交叉编译源代码

交叉编译 TensorFlow 源代码，从而构建一个基于 ARM 指令的 Python pip 包。构建脚本启动 Docker 容器以进行编译。

生成tensorflow构建环境的Docker映像

使用如下命令获得所需Docker映像：

1
2
3
4
5
6
git clone https://github.com/lhelontra/tensorflow-on-arm.git
cd tensorflow-on-arm/build_tensorflow/

# 修改Dockerfile.bullseye，加上代理
# ENV http_proxy=http://x.x.x.x:xx https_proxy=http://x.x.x.x:xx
docker build -t tf-arm -f Dockerfile.bullseye .

启动容器

使用如下命令：

1
docker run -it -v /tmp/tensorflow_pkg/:/tmp/tensorflow_pkg/ --env TF_PYTHON_VERSION=3.8 tf-arm ./build_tensorflow.sh configs/<conf-name> # rpi.conf, rk3399.conf ...

交叉编译tensorflow

使用如下命令交叉编译tensorflow:

1
2
3
4
5
6
7
8
9
10
11
12
# Docker容器内设置全局代理
export http_proxy=http://x.x.x.x:xx
export https_proxy=http://x.x.x.x:xx


# 交叉编译tensorflow
cd build_tensorflow/
chmod +x build_tensorflow.sh
TF_PYTHON_VERSION=3.7 ./build_tensorflow.sh <path-of-config> [noclean]

# Copying files from Docker container to host
sudo docker cp 820e780536b6:/tmp/tensorflow_pkg/tensorflow-2.3.0-cp37-none-linux_armv7l.whl ./

参考链接

  1. 在树莓派设备上编译 tensorflow 源代码 ,by tensorflow.
  2. Docker 入门教程,by 阮一峰.
  3. 如何在 Ubuntu 20.04 上安装和使用 Docker,by 雪梦科技.
  4. Ubuntu 20.04系统下更改apt源为阿里源,by 一缕诗风.
  5. docker:containerd.io docker-ce-cli docker-ce 的区别,by 非正经研究生.
  6. [Why does “drm:vmw_host_log [vmwgfx]] ERROR Failed to send host log message” show up and what can I do to fix it?](https://unix.stackexchange.com/questions/502540/why-does-drmvmw-host-log-vmwgfx-error-failed-to-send-host-log-message-sh),by stackexchange.
  7. 交叉编译器 arm-linux-gnueabi 和 arm-linux-gnueabihf 的区别,by 左手牛奶，右手面包.
  8. 基于源代码为树莓派设备构建 TensorFlow,by Spoony.
  9. Docker — 从入门到实践,by yeasy.
  10. 史上讲解最好的 Docker 教程，从入门到精通（建议收藏的教程）,by 周辰晨.
  11. Docker篇之镜像打标签tag,by 听说唐僧不吃肉.
  12. Docker容器内设置全局代理,by Liao.
  13. Bazel入门：编译C++项目,by Elaine_Bao.

发表于 | 更新于

本文记录在树莓派3B+上配置tensorflow运行环境的过程。

准备工作

  • 16G的microsd卡
  • 读卡器
  • 系统映像，如果使用官方的镜像烧录工具，就不需要准备

烧录系统

请参考树莓派操作系统镜像烧录方法指南。

或者使用官方的系统映像烧录工具Raspberry Pi Imager, 烧录最新的树莓派操作系统。注意，烧录前配置使用ssh密码登录，并配置连接好wifi。建议不要使用最新的树莓派操作系统，而是选择legacy，debian10。

启动系统后使用如下命令连接系统：

1
2
3
4
# ssh登录系统
ssh pi@192.168.1.232
# 登录后配置启动vnc服务
sudo raspi-config

配置系统

tensorflow环境配置

1
2
3
4
5
python3 -m venv tf2_api_env
source tf2_api_env/bin/activate
pip install -r requirements.txt
# 在树莓派下安装tensorflow，执行如下命令
pip install --no-deps tensorflow_aarch64-2.8.0-cp39-cp39-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

下载TensorFlow Models

TensorFlow Model Garden。TensorFlow 模型花园是一个存储库，为 TensorFlow 用户提供了许多不同的最先进 (SOTA) 模型和建模解决方案的实现。我们旨在展示建模的最佳实践，以便 TensorFlow 用户可以充分利用 TensorFlow 进行研究和产品开发。

1
git clone https://github.com/tensorflow/models

安装TensorFlow Models中的Object Detection 模块

配置目标检测API目录，以便python能找到object detect api。使用pth文件，将object detect模块的路径添加到python模块的搜索路径中。在python安装目录的Lib\site-packages下创建tensorflow.pth文件，在其中添加Object Detection API文件路径：

1
2
3
4
5
# 创建tensorflow.pth文件，输入如下内容
J:\tensorflow\models
J:\tensorflow\models\research
J:\tensorflow\models\research\object_detection
J:\tensorflow\models\research\slim

安装Protobuf，生成python语言的消息协议

安装Protobuf的过程具体参考TensorFlow2.x目标检测API安装配置步骤详细教程 Object Detection API with TensorFlow2.x 。

1
2
cd models/research/
protoc/bin/protoc object_detection/protos/*.proto --python_out=.

修改源

可选。请参考修改树莓派3B+的软件源-Raspbian(stretch)。

配置dhcp

可选。使用命令sudo leafpad /etc/dhcpcd.conf，修改dhcp配置文件，配置使用静态ip。

1
2
3
4
interface wlan0
static ip_address=192.168.3.169/24
static routers=
static domain_name_servers=

扩充分区

可选。请参考解决树莓派磁盘没有占满整个sd卡的方法。

上网配置

可选。

1
2
sudo apt-get install proxychains
sudo leafpad /etc/proxychains.conf

安装pyenv

可选，重点是安装python3.7。在linux操作系统中：

1
2
wget  https://raw.githubusercontent.com/pyenv/pyenv-installer/master/bin/pyenv-installer
bash pyenv-installer

使用命令leafpad .bashrc打开.bashrc文件，在其末尾输入如下内容：

1
2
3
export PYENV_ROOT="$HOME/.pyenv"
command -v pyenv >/dev/null || export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init -)"

安装python 3.7.3:

1
2
3
4
5
6
7
8
9
10
sudo apt-get install -y make build-essential libssl-dev zlib1g-dev libbz2-dev \
libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev \
xz-utils tk-dev libffi-dev liblzma-dev libatlas-base-dev libjasper-dev libqtgui4 libqt4-test

# pyenv install build failed:Fatal: You must get working getaddrinfo() function
PYTHON_CONFIGURE_OPTS="--disable-ipv6" proxychains pyenv install 3.7.3
pyenv global 3.7.3
pyenv rahash

python -m pip install --upgrade pip

使用含tensorflow环境的Docker映像

可选。使用如下命令在树莓派上安装docker：

1
2
3
4
5
curl -fsSL https://get.docker.com -o get-docker.sh
Sudo sh get-docker.sh
# 将非root用户添加到docker组
sudo usermod -aG docker ${USER}
groups ${USER}

使用如下命令下载含tensorflow环境的docker映像：

1
docker pull armswdev/tensorflow-arm-neoverse:r22.05-tf-2.8.0-eigen

使用如下命令启动docker容器：

1
2
# 注意-v等所有选项必须在image之前
docker run -it --rm --name tf2_api_test -v /home/pi/tensorflow:/home/pi/tensorflow armswdev/tensorflow-arm-neoverse:r22.05-tf-2.8.0-eigen

具体使用过程请参考TensorFlow Serving with Docker 。

模型测试

传输模型

配置环境

可选。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 创建虚拟环境
python3 -m venv tf2_api_env
source tf2_api_env/bin/activate
# 下载并安装tensorflow 2.2
gdown https://drive.google.com/uc?id=11mujzVaFqa7R1_lB7q0kVPW22Ol51MPg
pip install --proxy=X.X.X.X:X tensorflow-2.2.0-cp37-cp37m-linux_armv7l.whl
# 安装tensorflow_io, object-detection需要
git clone https://github.com/tensorflow/io.git
cd io
git checkout v0.15.0
pip install -e .
# 安装object-detection
# From within TensorFlow/models/research/
cp object_detection/packages/tf2/setup.py .
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/
# or
pip install object_detection -i https://pypi.tuna.tsinghua.edu.cn/simple/
# 安装opencv
sudo apt-get install libatlas-base-dev
pip install opencv-python

测试模型

1
2
3
4
5
6
7
8
9
10
11
12
# 进入虚拟环境
source tf2_api_env/bin/activate
# 测试图像处理
python image_process_test.py
# 测试视频处理
python video_read_test.py
# 测试摄像头
python camera_open_test.py
# 测试图像目标检测
python object_detection_plot.py
# 测试视频目标检测
python object_detection_camera.py

参考链接

  1. Installing Latest Tensor flow and Keras on RASPBERRY PI,by Abhishek c.
  2. Unable to uninstall programs using sudo pip,by askubuntu.
  3. Installing TensorFlow 2.3.0 for Raspberry Pi3+/4 (Debian Buster),by Cawin Chan.
  4. 树莓派开启wifi热点,by zsssj.
  5. 修改树莓派3B+的软件源-Raspbian(stretch),by codeantenna.
  6. 磁盘分区——主分区、扩展分区、逻辑分区,by ITCHN.
  7. 解决树莓派磁盘没有占满整个sd卡的方法,by ourkix.
  8. centos下python环境搭建,by bigtiger1648.
  9. Linux/树莓派raspbian 32/64查看,by Yew1168.
  10. ModuleNotFoundError: No module named ‘cv2’ （安装cv2）,by weixin_39450145.
  11. TensorFlow Serving with Docker ,by tensorflow.
  12. Docker的volumes踩坑,by lyer.