2 sinat 34245223 sinat_34245223 于 2016.09.08 22:08 提问

android face++获取pose的值时出错 1C

int pitch_angle=faceObject.getJSONObject("attribute").getJSONObject("pose").getJSONObject("pitch_angle").getInt("value");
报错 哪里写的不对吗

2个回答

devmiao
devmiao   Ds   Rxr 2016.09.09 00:12
s19x242514
s19x242514   2016.09.09 10:26

debug一步步走吧,如果不会,你把返回数据贴出来,如果不方便,就一步步打印,faceObject.getString("attribute");
faceObject.getString("attribute").getJSONObject("pose");
faceObject.getJSONObject("attribute").getJSONObject("pose").getString("pitch_angle");
faceObject.getJSONObject("attribute").getJSONObject("pose").getJSONObject("pitch_angle").getInt("value");
看看在哪步报错了。

Csdn user default icon
上传中...
上传图片
插入图片
准确详细的回答,更有利于被提问者采纳,从而获得C币。复制、灌水、广告等回答会被删除,是时候展现真正的技术了!
其他相关推荐
dlib+opencv3.2 face detection,face landmark detection,face pose estimation人脸检测,人脸关键点检测(68点),人脸位姿估计
注:使用的代码为https://github.com/lincolnhard/head-pose-estimation代码,略做了修改。 #include <iostream> #include <dirent.h> #include <chrono> #include &
人脸识别 - Pose-Aware Face Recognition in the Wild
CVPR 2016 本文作者提供了 训练好的 CNN模型本文主要侧重解决人脸识别中的姿态问题。由 图1 可以看出,LFW数据中人脸的角度集中在 正负20度,而 IJB-A数据库中的角度分部则比较宽。这种大角度人脸识别难度比较大。本文首先对人脸的角度进行分类,然后再用对应角度的CNN网络 进行人脸识别。针对人脸,我们采用了 multi-alignment策略: 2D in-plane align
Large Pose 3D Face Reconstruction from a Single Image via Direct Volumetric CNN Regression
用一张图像,做3D人脸的建模 http://aaronsplace.co.uk/papers/jackson2017recon/ 
深度学习 VGG 网络 实现 face landmark 与 head pose
深度学习实现 人脸特征点(68点)标注及人脸3D姿态估计
【深度学习】最新的一些开源face alignment及评价
dlib :https://github.com/davisking/dlib/tree/v18.18 评价:速度快,可商用,有些时候不太准确  2. CLM-framework: https://github.com/TadasBaltrusaitis/CLM-framework 评价:很准确,不可商用  3. Face Detection, Pose Estimation an
人脸对齐--Pose-Invariant Face Alignment with a Single CNN
Pose-Invariant Face Alignment with a Single CNN ICCV2017 http://cvlab.cse.msu.edu/project-pifa.html 4.3 FPS on a Titan X GPU本文是解决 large-pose face alignment (LPFA)的,所谓的 large face poses 如 profile v
3D【4】人脸重建:Large Pose 3D Face Reconstruction from a Single Image via Direct Volumetric
该论文主要是用CNN直接重建3D人脸,而不是预测3DMM模型的参数,网络结构是漏斗网络( HG)。论文提出了三种方案,第一种是直接从图片重建,第二种是加入了人脸特征点,第三种是多任务(重建+人脸特征点预测)。效果最好的是第二种方法。 值得注意的是,该论文不是直接预测顶点的x、y、z坐标。而是将mesh转成voxel,变成一个192*192*200的矩阵。这样就比较适合CNN。我们先看看mesh...
17.2.22 Pose-Aware Face Recognition in the Wild 小感
最近在看一篇基于姿态已知的人脸识别论文。 《Pose-Aware Face Recognition in the Wild》本文目的是解决了在自然环境下的人脸识别的问题,主要是针对姿态多样性的问题。本文提出了Pose-Aware Models(PAMs)的模型,在模型训练时,针对不同的姿态角度训练不同的模型。本文利用CASIA WebFace,IJB-A和PIPA数据库。PIPA数据库在http:
High-Fidelity Pose and Expression Normalization for Face Recognition in the Wild
CVPR 2015 Matlab code http://www.cbsr.ia.ac.cn/users/xiangyuzhu/projects/HPEN/main.htm中科院关于 人脸图像预处理:姿态和表情的归一化算法的整体流程图如下所示: 2 Pose Adaptive 3DMM Fitting2.1. 3D Morphable Model 本文采用3D模型,我们将 Basel F
大角度人脸转正--Towards Large-Pose Face Frontalization in the Wild
Towards Large-Pose Face Frontalization in the Wildhttps://www.arxiv.org/abs/1704.06244本文结合 3D Morphable Model (3DMM) 和 GAN 来进行人脸转正。大的框架如下图所示: 3DMM Coefficients 得到输入人脸的姿态信息,通过3D模型可以得到大概信息,没有细节信息 因为原始输