一种算法库手势识别结果的验证方法、装置及设备与流程

本申请涉及计算机技术领域，尤其涉及一种算法库手势识别结果的验证方法、装置及设备。

背景技术：

随着人工智能(artificialintelligence，简称ai)技术的不断突破和各种智能设备的日益普及。对于众多的智能设备而言，如何准确识别出用户的操作意图，有效实现人机交互是其所必备的基本功能，例如，对于智能穿戴设备而言，如何对佩戴者的手势进行准确检测和识别显得尤为重要。

目前为了提高对于用户手势识别的效率和便捷性，通常会将诸多手势识别算法集成到算法库中，以便实际应用中智能设备在进行手势识别时能够及时调用算法库中的识别算法对用户的手势进行识别，并在得到识别结果后进行后续的交互响应。因此，为了提高智能设备的识别准确率和互动性，需要不断扩充算法库中手势识别算法的类型并提高识别准确率。目前为了提高算法库中手势识别算法的识别准确率，通常采用的是人工判定的方式，即，通过人工判断算法库中识别算法的识别结果是否准确，来验证算法库的手势识别结果的准确性，进而能够定位出导致算法库中产生识别结果不准确的问题所在。但这种人工验证的方式，主观性强、难以量化，不仅验证的效率低，而且还需要花费大量的人力资源。

技术实现要素：

本申请实施例的主要目的在于提供一种算法库手势识别结果的验证方法、装置及设备，能够更加快速且准确地验证出算法库的识别结果的准确性。

本申请实施例提供了一种算法库手势识别结果的验证方法，包括：

获取待识别的目标图像；所述目标图像包含目标用户的手势信息；

利用预先构建的安卓应用程序包apk，对所述目标图像进行识别，得到表征所述目标用户的手势信息的第一识别结果的日志log信息；所述apk集成了算法库中手势识别算法对应的软件开发工具包sdk；

利用预先构建的测试脚本，对所述log信息进行验证，得到所述第一识别结果对应的验证结果。

一种可能的实现方式中，所述利用预先构建的测试脚本，对所述log信息进行验证，得到所述第一识别结果对应的验证结果，包括：

利用预先构建的测试脚本，获取所述目标图像对应的第二识别结果；

判断所述第二识别结果与所述第一识别结果是否一致；

若是，则得到所述第一识别结果对应的验证结果为识别正确；

若否，则得到所述第一识别结果对应的验证结果为识别错误。

一种可能的实现方式中，在所述利用预先构建的安卓应用程序包apk，对所述目标图像进行识别，得到表征所述目标用户的手势信息的第一识别结果的日志log信息之后，所述方法还包括：

将所述第一识别结果进行图形化显示。

一种可能的实现方式中，所述方法还包括：

接收所述第一识别结果的人工验证结果；所述人工验证结果为根据所述第一识别结果的图形化显示界面确定出的；

根据所述人工验证结果，确定所述第一识别结果是否为正确的识别结果。

一种可能的实现方式中，所述目标图像为目标视频中的任一帧图像；所述目标视频中所述目标用户重复着同一手势信息。

一种可能的实现方式中，所述方法还包括：

利用预先构建的测试脚本，验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息，得到验证结果；并根据所述验证结果，计算所述算法库的识别准确率；

根据所述识别准确率，对所述算法库的手势识别效果进行评估，得到评估结果。

一种可能的实现方式中，所述利用预先构建的测试脚本，验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息，得到验证结果；并根据所述验证结果，计算所述算法库的识别准确率，包括：

利用预先构建的测试脚本，逐帧验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息；并统计所述目标视频中对应的验证结果为识别正确的图像帧数，以及统计所述目标视频中对应的识别结果为识别错误的图像帧数；

计算所述目标视频中对应的验证结果为识别正确的图像帧数与所述目标视频包含的图像总帧数的比值，得到所述算法库的识别准确率。

一种可能的实现方式中，在所述计算所述算法库的识别准确率之后，所述方法还包括：

将所述算法库的识别准确率进行输出展示。

本申请实施例还提供了一种公式识别装置，所述装置包括：

获取单元，用于获取待识别的目标图像；所述目标图像包含目标用户的手势信息；

识别单元，用于利用预先构建的安卓应用程序包apk，对所述目标图像进行识别，得到表征所述目标用户的手势信息的第一识别结果的日志log信息；所述apk集成了算法库中手势识别算法对应的软件开发工具包sdk；

验证单元，用于利用预先构建的测试脚本，对所述log信息进行验证，得到所述第一识别结果对应的验证结果。

一种可能的实现方式中，所述验证单元包括：

获取子单元，用于利用预先构建的测试脚本，获取所述目标图像对应的第二识别结果；

判断子单元，用于判断所述第二识别结果与所述第一识别结果是否一致；

第一获得子单元，用于若判断出所述第二识别结果与所述第一识别结果是一致的，则得到所述第一识别结果对应的验证结果为识别正确；

第二获得子单元，用于若判断出所述第二识别结果与所述第一识别结果不是一致的，则得到所述第一识别结果对应的验证结果为识别错误。

一种可能的实现方式中，所述装置还包括：

第一展示单元，用于在所述利用预先构建的安卓应用程序包apk，对所述目标图像进行识别，得到表征所述目标用户的手势信息的第一识别结果的日志log信息之后，将所述第一识别结果进行图形化显示。

一种可能的实现方式中，所述装置还包括：

接收单元，用于接收所述第一识别结果的人工验证结果；所述人工验证结果为根据所述第一识别结果的图形化显示界面确定出的；

确定单元，用于根据所述人工验证结果，确定所述第一识别结果是否为正确的识别结果。

一种可能的实现方式中，所述目标图像为目标视频中的任一帧图像；所述目标视频中所述目标用户重复着同一手势信息。

一种可能的实现方式中，所述装置还包括：

计算单元，用于利用预先构建的测试脚本，验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息，得到验证结果；并根据所述验证结果，计算所述算法库的识别准确率；

评估单元，用于根据所述识别准确率，对所述算法库的手势识别效果进行评估，得到评估结果。

一种可能的实现方式中，所述计算单元包括：

统计子单元，用于利用预先构建的测试脚本，逐帧验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息；并统计所述目标视频中对应的验证结果为识别正确的图像帧数，以及统计所述目标视频中对应的识别结果为识别错误的图像帧数；

计算子单元，用于计算所述目标视频中对应的验证结果为识别正确的图像帧数与所述目标视频包含的图像总帧数的比值，得到所述算法库的识别准确率。

一种可能的实现方式中，所述装置还包括：

第二展示单元，用于在所述计算所述算法库的识别准确率之后，将所述算法库的识别准确率进行输出展示。

本申请实施例还提供了一种算法库手势识别结果的验证设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述算法库手势识别结果的验证方法中的任意一种实现方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述算法库手势识别结果的验证方法中的任意一种实现方式。

本申请实施例提供的一种算法库手势识别结果的验证方法、装置及设备，安卓设备首先获取待识别的目标图像；其中，目标图像包含目标用户的手势信息，然后利用预先构建的apk，对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的log信息；其中，apk集成了算法库中手势识别算法对应的sdk，接着，在脚本运行设备中，可以利用预先构建的测试脚本，对log信息进行验证，得到第一识别结果对应的验证结果。可见，由于本申请实施例是利用预先构建的apk和自动化测试脚本，对算法库中的手势识别算法对应的手势识别结果进行自动验证，相比于人工验证的方式，可以实现快速且准确地验证出算法库的识别结果的准确性，并且验证的结果消除了人工验证的主观性带来的影响，提高了验证效率和准确率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种算法库手势识别结果的验证方法的流程示意图；

图2为本申请实施例提供的表征第一识别结果的log信息的示例图之一；

图3为本申请实施例提供的表征第一识别结果的log信息的示例图之二；

图4为本申请实施例提供的将第一识别结果进行图形化显示的示例图；

图5为本申请实施例提供的应用算法库手势识别结果的验证方法的交互场景的示例图；

图6为本申请实施例提供的一种算法库手势识别结果的验证装置的组成示意图。

具体实施方式

随着各种智能设备的日益普及，智能设备如何准确识别出用户的操作意图，以实现人机交互显得尤为重要，例如，对于智能穿戴设备而言，其是否能够对佩戴者的手势进行准确检测和识别，以执行相应的反应操作，是其所必备的基本功能。为了提高对于用户手势识别的效率和便捷性，通常会将诸多手势识别算法集成到算法库中，进而可以根据算法库的识别结果进行后续的容错处理等交互响应。因此，算法库的手势识别结果的准确性是非常重要的。

但目前在对集成了诸多手势识别算法的算法库的手势识别结果进行验证时，通常采用的是人工验证的方式，即，通过人工判断算法库中识别算法的识别结果是否准确，来验证算法库的手势识别结果的准确性，进而能够定位出导致算法库中产生识别结果不准确的问题所在。这种人工验证的方式，主观性强、难以量化，不仅验证的效率低，而且还需要花费大量的人力资源。

为解决上述缺陷，本申请提供了一种算法库手势识别结果的验证方法、装置及设备，安卓设备首先获取待识别的目标图像；其中，目标图像包含目标用户的手势信息，然后利用预先构建的apk，对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的log信息；其中，apk集成了算法库中手势识别算法对应的sdk，接着，在脚本运行设备中，可以利用预先构建的测试脚本，对log信息进行验证，得到第一识别结果对应的验证结果。可见，由于本申请实施例是利用预先构建的apk和自动化测试脚本，对算法库中的手势识别算法对应的手势识别结果进行自动验证，相比于人工验证的方式，可以实现快速且准确地验证出算法库的识别结果的准确性，并且验证的结果消除了人工验证的主观性带来的影响，提高了验证效率和准确率。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

第一实施例

参见图1，为本实施例提供的一种算法库手势识别结果的验证方法的流程示意图，该方法包括以下步骤：

s101：获取待识别的目标图像；其中，目标图像包含目标用户的手势信息。

在本实施例中，将在对算法库的手势识别结果进行验证时，采用的任一图像定义为目标图像。并且，需要说明的是，本实施例不限制目标图像的类型，比如，目标图像可以是由红(r)、绿(g)、蓝(b)三原色组成的彩色图像、也可以是灰度图像等。同时，目标图像中需要包含目标用户的手势信息。

其中，目标用户的手势信息包括目标用户摆出各种手势，如“左手向上竖起大拇指”、“左手向下竖起大拇指”、“右手食指和中指比划v字”等。

需要说明的是，本实施例中目标图像可以是目标视频中的任一帧图像；且目标视频中目标用户重复着同一手势信息。比如，在一个由10帧目标图像组成的目标视频中，用户a摆出的手势一直是“左手向上竖起大拇指”。

还需要说明的是，本申请对目标视频及目标图像的获取方式不做限定，比如目标视频可以通过手机或数码相机拍摄得到，或者从其他已有视频中截取得到等。

s102：利用预先构建的安卓应用程序包apk，对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的日志log信息；其中，apk集成了算法库中手势识别算法对应的软件开发工具包sdk。

需要说明的是，为了实现对利用算法库中的识别算法进行手势识别后得到的手势识别结果进行验证，首先需要把算法库中手势识别算法对应的sdk编译的工程打包成一个安装程序文件，格式为安卓应用程序包(androidpackage，简称apk)，作为预先构建的apk，并将其安装到可执行apk的安卓设备(如安卓手机或者智慧屏等)中。并且在算法库的sdk中也预先设定了用户的手势类型对应的标识、用户左右手的标识序号以及其他手势标识等，作为手势识别结果。例如，可以在算法库的sdk中预先设定“左手向上竖起大拇指”、“左手向下竖起大拇指”、“右手食指和中指比划v字”这三种手势类型对应的标识分别为数字“6”、“7”、“8”，同时将用户的左右手的标识序号分别设定为“2”、“4”等，进而可以将识别出的数字、标识序号以及其他手势标识等共同作为对应的手势识别结果。

在此基础上，在通过步骤s101获取到待识别的目标图像后，进一步可以利用安卓设备上安装的上述apk对目标图像进行识别，以解析出算法库中sdk对应的识别结果，得到表征目标用户的手势信息的手势识别结果(此处将其定义为第一识别结果)的log信息。在本实施例中，该log信息的代码表示如图2所示，其中，“handid＝”表示目标图像中目标用户的手的序号，“gesturetype＝”表示目标图像中目标用户的手势类型对应的标识。例如，如图3所示，“handid＝0”表示识别出的目标图像中目标用户的手的序号为0，“gesturetype＝12”表示识别出的目标图像中目标用户的手势类型对应的标识数字为12。

进一步的，一种可选的实现方式是，在利用上述apk对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的log信息，还可以将该第一识别结果进行图形化显示，具体的，可以实现简易版apk构建图形化显示界面来显示第一识别效果。

举例说明：在如图4所示的第一识别结果的图像化显示图中，目标用户的左手位置对应的手势识别结果为“1|2|7”，其中，“1”表示识别出的目标图像中目标用户的手的序号，代表“第一只手”，“2”表示识别出的目标图像中目标用户的手为“左手”，“7”表示识别出的目标图像中目标用户的手势类型为“左手向下竖起大拇指”。而目标用户的右手位置对应的手势识别结果为“2|4|19”，其中，“2”也表示识别出的目标图像中目标用户的手的序号，代表“第二只手”，“4”表示识别出的目标图像中目标用户的手为“右手”，“19”表示识别出的目标图像中目标用户的手势类型为“未知”。

在此基础上，在将第一识别结果进行图形化显示后，一种可选的实现方式是，为了提高对于第一识别结果验证的准确性，还可以通过人工对展示出的第一识别结果的图像化显示图及其对应的log信息进行人工验证，这样，当人工判断出出现识别结果出错时，可以通过实时查看如图4所示的图形化显示图,分析造成识别结果出错的可能原因(如由于光线影响产生的阴影导致的手势角度不佳、手势位置不佳等)。比如，可以通过研发人员实时查看表征第一识别结果的log信息及其对应的图像化显示图。进而可以接收第一识别结果对应的人工验证结果，并根据人工验证结果，判断出第一识别结果是否为识别正确，当人工验证结果表明第一识别结果出错时，进一步也可以确定导致识别结果出错的可能原因，进而提高了对于第一识别结果验证的准确性。

s103：利用预先构建的测试脚本，对log信息进行验证，得到第一识别结果对应的验证结果。

需要说明的是，为了更加快速且准确地验证出算法库的识别结果的准确性，首先需要构建对算法库的识别结果进行测试的脚本，并可将该脚本写入任一能够运行脚本的设备(如电脑、手机等)中。

在此基础上，通过步骤s102得到表征目标用户的手势信息的第一识别结果的log信息后，可将该运行脚本的设备与安装了上述apk的安卓设备(如安卓手机等)进行连接，并通过运行预先构建的对算法库的识别结果进行测试的测试脚本，对安卓设备产生的log信息进行测试验证，得到第一识别结果对应的验证结果。需要说明的是，该运行脚本的设备与安装了上述apk的安卓设备也可以为同一设备，如二者可以为同一安卓手机等。

具体来讲，一种可选的实现方式是，本步骤s103的具体实现过程为：首先，利用预先构建的测试脚本，获取目标图像对应的第二识别结果；其中，第二识别结果可以是通过人工识别输入，或者，也可以通过脚本对目标图像进行识别后得到的识别结果；然后，判断第二识别结果与第一识别结果是否一致，若是，则得到第一识别结果对应的验证结果为识别正确，若否，则得到第一识别结果对应的验证结果为识别错误。

以此类推，一种可选的实现方式是，在将目标视频中每一帧图像依次作为目标图像后，可以利用预先构建的测试脚本，验证表征目标视频中每一帧图像对应的手势识别结果的log信息，得到验证结果；并根据验证结果，计算算法库的识别准确率；进而可以根据该识别准确率，对算法库的手势识别效果进行评估，得到评估结果。比如，当算法库的识别准确率超过第一预设阈值(如80％)，则可将算法库的手势识别效果评级为“优”；当算法库的识别准确率未超过第一预设阈值(如80％)，但超过第二预设阈值(如60％)，则可将算法库的手势识别效果评级为“良”；当算法库的识别准确率未超过第二预设阈值(如60％)，则可将算法库的手势识别效果评级为“差”等，具体评级方式可根据实际情况和经验值进行设定，本申请实施例对此进行限定。

具体来讲，在本实现方式中，可依次将目标视频中每一帧图像分别作为目标图像，并先利用预先构建的测试脚本，逐帧验证对表征目标视频中每一帧图像对应的手势识别结果的log信息；然后，统计目标视频中对应的验证结果为识别正确的图像帧数(此处将其定义为n1)，以及统计目标视频中对应的识别结果为识别错误的图像帧数(此处将其定义为n2)，接着，可以计算出目标视频中对应的验证结果为识别正确的图像帧数(即n1)与目标视频包含的图像总帧数(即n1和n2的和)的比值(即)，作为算法库的识别准确率。

例如，假设目标视频为一段包含10帧图像的视频，即n1和n2的和为10，且其中验证结果为识别正确的图像帧数为9帧，即n1＝9，则算法库的识别准确率为90％，即

进一步的，一种可选的实现方式是，在通过上述方式计算出算法库的识别准确率之后，还可以将该算法库的识别准确率进行输出展示，便于用户在调用该算法库进行处理时，可以在后续充分考虑到更加合适的交互响应以及逻辑处理方式等。例如，假设算法库的识别准确率为90％，则在后续利用该算法库的识别结果进行交换响应时，要考虑到系统的容错率为10％等，也就是说，要考虑到算法的手势识别结果中可能出现的10％的识别错误率，需要对其采取相应的措施等。

接下来，本实施例将对预先构建的对算法库的识别结果进行测试的自动化测试脚本的运行过程进行详细介绍，各个步骤及其对应的实现代码如下：

在脚本执行时传入要识别的动作参数(例如：1)：

shmotioncap_gesturetype.sh1

参数传入：

gesture_type＝$1

获取log：

logcat|grep-e"gestureinfo">/data/local/tmp/launch.txt&

统计失败、成功次数，每出现一次和传入参数匹配的类型，成功次数加1，否则失败次数加1：

if["$gesture_type"＝"$gesturetype"]；thentype_time＝$((type_time+1))；eliffail_time＝$((fail_time+1))；fi

计算识别准确率：

s_rate＝`$bbawk-vs＝$type_time-vf＝$fail_time'begin{printf"％.2f",s/(s+f)*100}'`

测试结果打印到文件(进行输出展示)：

echo

"$type_time,$fail_time,$s_rate,$gesturetype">>$testresult/motioncap_perf_$((loop+1)).csv

为便于理解本申请，接下来，以脚本运行设备为电脑端、安装了apk的安卓设备为手机端为例，对应用本申请提供的算法库手势识别结果的验证方法的交互场景进行介绍，参见图5，其示出了应用算法库手势识别结果的验证方法的交互场景的示例图，可以包括以下步骤：

s501：手机端获取待识别的目标图像。

其中，目标图像包含对于目标用户的手势信息。

需要说明的是，步骤s501与上文步骤s101一致，相关之处请参见上文步骤s101的介绍，在此不再赘述。

s502：手机端利用预先构建和安装apk，对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的log信息。

s503：手机端向电脑端发送表征目标用户的手势信息的第一识别结果的log信息。

s504：电脑端利用预先构建的测试脚本，对log信息进行验证，得到第一识别结果对应的验证结果。

需要说明的是，步骤s502-s504与上文步骤s102-s103一致，相关之处请参见上文步骤s102-s103的介绍，在此不再赘述。

这样，本申请实施例在对利用算法库识别得到的手势识别结果进行验证时，手机端首先获取待识别的目标图像。然后利用预先构建和安装apk，对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的log信息，并向电脑端发送该表征目标用户的手势信息的第一识别结果的log信息。接着，电脑端利用预先构建的测试脚本，对log信息进行验证，得到第一识别结果对应的验证结果。可见，由于本申请实施例是利用预先构建的apk和自动化测试脚本，对算法库中的手势识别算法对应的手势识别结果进行自动验证，相比于人工验证的方式，可以实现快速且准确地验证出算法库的识别结果的准确性，并且验证的结果消除了人工验证的主观性带来的影响，提高了验证效率和准确率。

综上，本实施例提供的一种算法库手势识别结果的验证方法，安卓设备首先获取待识别的目标图像；其中，目标图像包含目标用户的手势信息，然后利用预先构建的apk，对目标图像进行识别，得到表征目标用户的手势信息的第一识别结果的log信息；其中，apk集成了算法库中手势识别算法对应的sdk，接着，在脚本运行设备中，可以利用预先构建的测试脚本，对log信息进行验证，得到第一识别结果对应的验证结果。可见，由于本申请实施例是利用预先构建的apk和自动化测试脚本，对算法库中的手势识别算法对应的手势识别结果进行自动验证，相比于人工验证的方式，可以实现快速且准确地验证出算法库的识别结果的准确性，并且验证的结果消除了人工验证的主观性带来的影响，提高了验证效率和准确率。

第二实施例

本实施例将对一种算法库手势识别结果的验证装置进行介绍，相关内容请参见上述方法实施例。

参见图6，为本实施例提供的一种算法库手势识别结果的验证装置的组成示意图，该装置600包括：

获取单元601，用于获取待识别的目标图像；所述目标图像包含目标用户的手势信息；

识别单元602，用于利用预先构建的安卓应用程序包apk，对所述目标图像进行识别，得到表征所述目标用户的手势信息的第一识别结果的日志log信息；所述apk集成了算法库中手势识别算法对应的软件开发工具包sdk；

验证单元603，用于利用预先构建的测试脚本，对所述log信息进行验证，得到所述第一识别结果对应的验证结果。

在本实施例的一种实现方式中，所述验证单元603包括：

获取子单元，用于利用预先构建的测试脚本，获取所述目标图像对应的第二识别结果；

判断子单元，用于判断所述第二识别结果与所述第一识别结果是否一致；

第一获得子单元，用于若判断出所述第二识别结果与所述第一识别结果是一致的，则得到所述第一识别结果对应的验证结果为识别正确；

第二获得子单元，用于若判断出所述第二识别结果与所述第一识别结果不是一致的，则得到所述第一识别结果对应的验证结果为识别错误。

在本实施例的一种实现方式中，所述装置还包括：

第一展示单元，用于在所述利用预先构建的安卓应用程序包apk，对所述目标图像进行识别，得到表征所述目标用户的手势信息的第一识别结果的日志log信息之后，将所述第一识别结果进行图形化显示。

在本实施例的一种实现方式中，所述装置还包括：

接收单元，用于接收所述第一识别结果的人工验证结果；所述人工验证结果为根据所述第一识别结果的图形化显示界面确定出的；

确定单元，用于根据所述人工验证结果，确定所述第一识别结果是否为正确的识别结果。

在本实施例的一种实现方式中，所述目标图像为目标视频中的任一帧图像；所述目标视频中所述目标用户重复着同一手势信息。

在本实施例的一种实现方式中，所述装置还包括：

计算单元，用于利用预先构建的测试脚本，验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息，得到验证结果；并根据所述验证结果，计算所述算法库的识别准确率；

评估单元，用于根据所述识别准确率，对所述算法库的手势识别效果进行评估，得到评估结果。

在本实施例的一种实现方式中，所述计算单元包括：

统计子单元，用于利用预先构建的测试脚本，逐帧验证表征所述目标视频中每一帧图像对应的手势识别结果的log信息；并统计所述目标视频中对应的验证结果为识别正确的图像帧数，以及统计所述目标视频中对应的识别结果为识别错误的图像帧数；

计算子单元，用于计算所述目标视频中对应的验证结果为识别正确的图像帧数与所述目标视频包含的图像总帧数的比值，得到所述算法库的识别准确率。

在本实施例的一种实现方式中，所述装置还包括：

第二展示单元，用于在所述计算所述算法库的识别准确率之后，将所述算法库的识别准确率进行输出展示。

进一步地，本申请实施例还提供了一种算法库手势识别结果的验证设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述算法库手势识别结果的验证方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述算法库手势识别结果的验证方法的任一种实现方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。