翻译AsyncTask官方文档

本文详细介绍了Android中的AsyncTask类,包括其工作原理、四个关键方法的使用及如何取消任务。适用于短时间后台操作,有助于理解如何在不阻塞UI的情况下执行耗时任务。

在UI线程中可以非常容易的使用AsyncTask。 这个类允许在后台操作和向主线程发送消息,而不必使用thread和handler。

    AsyncTask是在Thread和Handler之间的一个帮助类,并不能构成一个一般的Threading框架。AsycTask适用于短时操作,最多几秒钟。如果那你想要有长时间的耗时操作,请使用java.util.concurrent包下的API,比如Executor, ThreadPoolExecutor 和 FutureTask.

    异步任务是在后台运行,并将后台运行的结果发送到UI线程的操作。AsyncTask定义了三个泛型类型: Params,  Progress  , Result

有四个方法:onPreExecute,  doInBackground, onProgressUpdate, onPostExcute

    AsyncTask 被继承,同时子类至少要重载doInbackground方法,通常也会重载onPostExcute方法。

官方实例如下:

private class DownloadFilesTask extends AsyncTask<URL, Integer, Long> {
     protected Long doInBackground(URL... urls) {
         int count = urls.length;
         long totalSize = 0;
         for (int i = 0; i < count; i++) {
             totalSize += Downloader.downloadFile(url[i]);
             publishProgress((int) ((i / (float) count) * 100));
             // Escape early if cancel() is called
             if (isCancelled()) break;
         }
         return totalSize;
     }

     protected void onProgressUpdate(Integer... progress) {
         setProgressPercent(progress[0]);
     }

     protected void onPostExecute(Long result) {
         showDialog("Downloaded " + result + " bytes");
     }
 }
 
一旦创建就可以非常容易的执行,调用方法:new DownloadFilesTask().excute(url1, url2, url3);
三个泛型参数的使用方法:
Params 执行任务时发送的参数
Progress:后台运行的百分比
Result:后台运行的结果
这三个参数并总是都需要的,如果不需要就用Void类型
异步任务被执行后要执行四步,每一步都对应一个回调方法,这些方法不应该由应用程序调用,开发者需要做的就是实现这些方法。
1. 该方法将在执行实际的后台操作前被UI thread调用。可以在该方法中做一些准备工作,如在界面上显示一个进度条。
2.doInBackground(Params...), 将在onPreExecute 方法执行后马上在后台线程中执行。它将主要负责执行那些很耗时的后台计算工作。运行的结果必须被返回,并且会被传递到下一步。可以调用 publishProgress方法来更新实时的任务进度,这些值在onProgressUpdate方法中被发送到UI线程。该方法是抽象方法,子类必须实现。
3.onProgressUpdate() 调用publishProgress方法后将会在UI线程中执行。当后台任务执行时,这个方法可以用来展示任何用户样式的用户界面。例如可以用来展示一个进度条或者是一个文本框
4.onPostExcute () doInBackground执行完成后在UI线程被触发。doInBackground的返回值将会作为它的参数

取消AsyncTask任务

随时可以调用cancel(boolean)来取消任务。此方法调用后紧接着isCancelled()方法就会返回true,接着

就会在doInBackground(Object[])方法执行完后调用onCancelled(Object) ,而不是onPostExcute(Object) 。

为了确保任务尽快取消,你应该尽可能的在doInBackground(Object[])中定期检查isCancelled的返回值()(例如在一个循环)。

本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值