图像识别结果评估方法、装置、电子设备及存储介质

摘要

本发明实施例提供一种图像识别结果评估方法、装置、电子设备及存储介质，所述方法包括：获取待识别图像特征以及所述待识别图像特征的评估因子；对所述待识别图像特征进行归一化计算，得到归一化特征；将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述相似度计算特征通过相同的算法进行处理并存储在所述数据库中；基于所述相似度结果对所述待识别图像特征的识别结果进行评估。通过将评估因子加入到归一化后的待识别图像特征，结合了评估尺度的特征较通常使用的归一化特征，具有更好的识别效果。

说明书

技术领域

本发明涉及数据处理技术领域，尤其涉及一种图像识别结果评估方法、装置、电子设备及存储介质。

背景技术

随着图像图像识别技术研究的深入，越来越多的图像识别产品被开发应用，比如人脸识别、行人重识别等。在图像识别过程中，输入一张图像到特征提取网络中，提取出该图像的图像特征，通过该图像特征对图像进行分类识别，输出是一个二分类结果。然而，由于图像受光照、拍摄角度、图像遮挡以及采集设备差异等众多因素影响，实际应用场景采集到图像质量差别很大，但常用的归一化特征不具备表示图像质量的能力，不同质量图像提取到的特征使用共同的评判标准进行判断，会影响识别结果的可信度。

发明内容

本发明实施例提供一种图像识别结果评估方法，能够提高识别结果的评估效果。

第一方面，本发明实施例提供一种图像识别结果评估方法，包括：

获取待识别图像特征以及所述待识别图像特征的评估因子；

对所述待识别图像特征进行归一化计算，得到归一化特征；

将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；

将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述待识别图像通过相同的计算得到；

基于所述相似度结果对所述待识别图像特征的识别结果进行评估。

可选的，所述获取所述待识别图像特征的评估因子，包括：

将所述待识别图像特征与预先训练好的权重因子进行点积运算及映射，以得到所述待识别图像特征的评估因子，所述待识别图像特征的评估因子被映射为预设区间的值。

可选的，所述评估因子为质量置信度，所述预先训练好的权重因子为预先训练好的质量权重，所述将所述待识别图像特征与预先训练好的权重因子进行点积运算以得到所述待识别图像特征的评估因子，所述待识别图像特征的评估因子被映射为预设区间的值，包括：

将所述待识别图像特征与所述预先训练好的质量权重进行点积运算及映射，以得到所述待识别图像特征的质量置信度。

可选的，所述对所述待识别图像特征进行归一化计算，得到归一化特征，包括：

提取所述待识别图像特征中的每一个特征值，并计算所述每一个特征值的平方和；

计算得到所述平方和的平方根结果；

基于平方根结果对所述待识别图像特征进行归一化，得到所述待识别图像特征的归一化特征。

可选的，所述基于所述相似度结果对所述待识别图像特征的识别结果进行评估，包括：

将所述相似度结果与预先设置的相似度阈值进行比较，并判断所述相似度结果是否大于所述预先设置的相似度阈值；

若所述相似度结果大于所述预先设置的相似度结果，则评估所述相似度结果为期望结果；

若所述相似度结果小于所述预先设置的相似度结果，则评估所述相似度结果不为期望结果。

可选的，在将所述相似度结果与预先设置的相似度阈值进行比较之前，所述方法还包括：

获取所述待识别图像特征对应的项目信息；

根据所述项目信息，匹配预先设置的相似度阈值。

第二方面，本发明实施例提供一种图像识别结果评估装置，包括：

第一获取模块，用于获取待识别图像特征以及所述待识别图像特征的评估因子；

第一计算模块，用于对所述待识别图像特征进行归一化计算，得到归一化特征；

第二计算模块，用于将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；

第三计算模块，用于将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述待识别图像通过相同的计算得到；

评估模块，用于基于所述相似度结果对所述待识别图像特征的识别结果进行评估。

第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的图像识别结果评估方法中的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的图像识别结果评估方法中的步骤。

本发明实施例中，获取待识别图像特征以及所述待识别图像特征的评估因子；对所述待识别图像特征进行归一化计算，得到归一化特征；将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述相似度计算特征通过相同的算法进行处理并存储在所述数据库中；基于所述相似度结果对所述待识别图像特征的识别结果进行评估。通过将评估因子加入到归一化后的待识别图像特征，使得待识别图像特征具有评估尺度，结合了评估尺度的特征较通常使用的归一化特征，具有更好的识别效果。

附图说明

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种图像识别结果评估方法的流程图；

图2是本发明实施例提供的另一种图像识别结果评估方法的流程图；

图3是本发明实施例提供的一种图像识别结果评估装置的结构示意图；

图4是本发明实施例提供的另一种图像识别结果评估装置的结构示意图；

图5是本发明实施例提供的另一种图像识别结果评估装置的结构示意图；

图6是本发明实施例提供的另一种图像识别结果评估装置的结构示意图；

图7是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，图1是本发明实施例提供的一种图像识别结果评估方法的流程图，如图1所示，包括以下步骤：

101、获取待识别图像特征以及待识别图像特征的评估因子。

其中，上述的待识别图像特征可以是由图像采集设备(比如摄像头)采集目标图像，对目标图像进行特征提取后得到的图像特征，比如人脸图像特征、车辆图像特征或其他物体图像特征等；上述的待识别图像特征也可以是用户通过上传窗口，将目标图像进行上传到应用中，通过对该目标图像进行特征提取后得到的图像特征；上述的待识别图像特征还可以是用户通过在图像集中进行选取得到的目标图像，对该目标图像进行特征提取后得到的图像特征。在一些可能的实施例中，还可以是由用户直接上传或选取图像特征得到。

上述待识别图像特征的评估因子用于对该待识别图像进行可信度评估，上述的评估因子可以通过待识别图像特征进行获取，具体的，将该待识别图像特征与预先训练好的权重因子进行点积运算，并将点积运算后的结果映射到预设区间，比如可以通过值域为(0,1)区间的函数将点积运算后的结果映射到(0,1)区间，得到对应的评估因子，上述值域为(0,1)区间的函数可以是逻辑函数，例如Sigmoid函数。需要说明的是，上述待识别图像特征可以是矩阵形式或向量形式，上述的权重因子对应的也可以是矩阵形式或向量形式，上述的评估因子为标量形式。举例来说，当待识别图像特征为1*n的特征向量，则预先训练好的权重因子则为n*1的权重向量，将1*n的特征向量与n*1的权重向量进行点积运算及Sigmoid函数映射，则得到一个(0,1)区间的标量，即评估因子。当待识别图像特征为m*n的特征矩阵，该m*n的特征矩阵可理解为由m个1*n的特征向量组成，则预先训练好的权重因子则为n*1的权重向量，将m*n的特征向量与n*1的权重向量进行点积运算，则得到m*1个标量，这些标量通过Sigmoid函数进行映射至(0,1)区间得到新的标量，每个映射后的新的标量对应一个1*n的特征向量，也即评估因子。

上述待识别图像特征的评估因子可以是待识别图像的质量置信度，上述的质量置信度用于表示该待识别图像在图像质量维度上的可信程度，该质量置信度越高，说明图像质量越高，使用该待识别图像进行识别的结果准确度就越高。对应的，权重因子为预先训练好的质量权重。上述的质量置信度可以是单一属性的图像质量置信度，比如图像光线、图像遮挡、图像尺寸或图像像素质量等单一的质量置信度，也可以是综合的图像质量置信度，比如图像光线、图像遮挡、图像尺寸以及图像像素质量等至少两项的综合质量置信度。对于将单一属性的图像质量置信度作为评估因子，该评估因子的获取方式可以是通过评估特征提取模型进行提取，比如，可以通过图像光线特征提取模型，对该待识别图像中的图像光线信息进行提取，得到对应的图像光线作为评估因子；可以通过物体检测模型对待识别图像中的图像遮挡信息进行提取并计算遮挡率做为评估因子；可以通过图像尺寸计算模型对待识别图像的图像尺寸信息进行计算，得到待识别图像的图像尺寸作为评估因子；可以通过图像像素质量评估模型对待识别图像的像素质量信息进行提取，得到待识别图像像素质量作为评估因子。对于将综合的图像质量置信度作为评估因子，该评估因子可以分别通过上述的方法进行提取，并在提取后分别进行加权求和得到对应的评估因子，比如，图像光线为A，图像遮挡为B，图像尺寸为C，图像像素质量为D，分别对应加权系数为0.2、0.3、0.1、0.4，则评估因子Z为0.2A+0.3B+0.1C+0.4D，其中，A，B，C，D之和等于1，相当于A，B，C，D是对各单一属性的图像质量置信度进行归一化后的值。

在本发明实施例中，对于将综合的图像质量置信度作为评估因子也可以是根据综合质量评估模型对待识别图像的质量置信度进行提取，上述的综合质量评估模型可以是预先训练好的。上述的综合质量评估模型在训练过程中，可以为训练数据集中的每张图像标注评分标签，该评分标签为0－1的浮点数标签，将标注了评分标签的训练数据集输入到综合质量评估模型进行训练，以使得该综合质量评估学习到对图像的评分。在输入待识别图像特征后，在该模型中，将该待识别图像特征与训练好的质量权重进行点积运算并通过Sigmoid函数映射到(0,1)区间，得到该待识别图像特征的质量置信度。

102、对待识别图像特征进行归一化计算，得到归一化特征。

在该步骤中，上述的待识别图像特征的归一化可以理解为将待识别图像特征中的数值通过归一化函数映射到[0，1]或[－1，1]的值域范围进行处理，使得有量纲表达变成无量纲表示，比如，将有量纲的像素值映射为无量纲的[0，1]或[－1，1]的范围之内浮点数。

上述的待识别图像特征的归一化可以是基于绝对值之和进行归一化，上述的基于误差的绝对值进行归一化计算，可以是计算待识别图像特征中的所有特征值之和，再计算待识别图像特征每个特征与该所有特征值之和的比值，以该比值做为归一化特征中的特征值。

上述的待识别图像特征的归一化也可以是基于平方和进行归一化，在本发明实施例中，优选为基于误差的平方对待识别图像进行归一化计算。具体的，可以提取待识别图像特征中的每一个特征值，并计算每一个特征值的平方和；然后计算得到平方和的平方根结果；基于平方根结果对待识别图像特征进行归一化，得到待识别图像特征的归一化特征。在计算出平方根结果后，计算待识别图像特征每个特征值与该平方根的比值，以该比值做为归一化特征中的特征值，具体的公式如下所示：

上述的f

103、将所述归一化特征与所述评估因子进行融合，得到相似度计算特征。

在该步骤中，上述的归一化特征可以是矩阵形式或向量形式的特征，上述的评估因子为一个标量，将上述的归一化特征与评估因子融合，得到的相似度计算特征也是矩阵形式或向量形式的特征。上述的融合可以是乘性融合，或者是指数性融合，具体的，可以是将归一化特征与评估因子进行相乘或相加，或者是以评估因子为归一化特征中数值的指数进行融合。

当归一化特征为向量时，与评估因子相乘，得到的相似度计算特征为向量形式的特征，比如，假设评估因子为a，归一化特征为向量(0.8，0.6)，则相似度计算特征为a×(0.8，0.6)＝(0.8a，0.6a)的向量。评估因子为归一化特征中数值的指数进行融合时，则相似度计算特征为(0.8

当归一化特征为矩阵时，与评估因子相乘，得到的相似度计算特征为矩阵形式的特征。比如，假设归一化特征为m*n的特征矩阵，该特征矩阵由m个特征向量组成，评估因子为m*1，将m个评估因子分别与m个特征向量相乘，进一步假设归一化特征由第一特征向量(0.8，0.6)与第二特征向量(0.6，0.8)组成，评估因子为第一评估因子a，第二评估因子b，分别对应上述的第一特征向量与第二特征向量，则将评估因子分别与特征向量相乘后，得到下列的相似度计算特征：

需要说明的是，上述的相似度计算特征用于表征待识别图像与底库图像特征进行计算，由于该相似度计算特征添加了评估因子，可以使得该相似度计算特征在具备评估尺度。

104、将相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果。

在该步骤中，上述相似度计算特征是步骤103中计算得到的，上述的数据库中底库图像特征与待识别图像通过相同的归一化计算得到。

上述的底库图像特征指的是存储在数据库中的图像特征，这些图像特征用于与待识别图像特征进行相似度计算，从而根据计算得到的相似度判断该待识别图像特征与哪个图像特征最相似，进而根据最相似的图像特征得到待识别图像的信息。上述的数据库中存储有结构化数据或半结构化数据，该结构化数据与半结构化数据包括底库图像特征以及与该底库图像特征对应的其他信息，比如，当底库图像特征为人脸特征时，其他信息中可以包括身份信息、联系信息等，当底库图像特征为车辆信息时，其他信息中可以包括车辆品牌信息、车辆型号信息等。

上述的底库图像特征可以是由图像采集设备(比如摄像头)采集目标图像，对目标图像进行特征提取后得到的归一化图像特征，比如归一化人脸图像特征、归一化车辆图像特征或其他物体的归一化图像特征等。具体的，在通过图像采集设备获取到目标图像后，通过特征提取引擎进行目标图像的特征提取，得到对应的特征向量，将该特征向量进行归一化后，存储到数据库中。当然，当目标图像为多个时，则通过特征提取引擎进行目标图像的特征提取后，会得到多个特征向量，比如，目标图像包括人脸、眼镜、帽子时，则会分别提取出人脸图像特征、眼镜图像特征、帽子图像特征所对应的向量，组成一个矩阵形式的特征。

在一种可能的实施例中，上述的底库图像特征也具有评估因子，该底库图像特征的评估因子的计算方法参数步骤101，在此不再赘述。值得一提的是，在底库图像特征也具有评估因子的情况下，该待识别图像特征的评估因子的计算方法需要与底库图像特征的评估因子的计算方法相同。由于相似度计算特征与底库中图像特征都具有评估因子，也即相似度计算特征与底库中图像特征都具有评估尺度，在相似度计算后，使评估尺度更明显。

在另一种可能的实施例中，上述的底库图像特征的评估因子需要在大于一个预先设定的存储阈值，在对目标图像特征进行评估因子的计算后，评估因子大于该预先设定的存储阈值时，才会将该目标图像特征作为底库图像特征进行存储，以保证底库图像特征的具有的评估尺度的质量。

上述的相似度使用的是特征内积，等价于两个归一化特征计算余弦相似度再与两个特征评估因子相乘。

105、基于相似度结果对待识别图像特征的识别结果进行评估。

在该步骤中，上述相似度结果由于是根据相似度计算特征与底库图像特征进行计算得到，因此可以直接体现出评估因子对应维度的评估尺度，将抽象的可信度进行量化，可以根据该评估尺度对相似度结果进行评估，评估该相似度结果是否为期望的相似度结果。

上述的识别结果通过相似度结果进行表征，比如，可以取最大相似度对应的相似度结果作为待识别图像特征的识别结果，也可以取相似度大于某个设定值的相似度结果作为待识别图像特征的识别结果。

可选的，可以通过预先设置的相似度阈值对相似度结果进行评估。将相似度结果与预先设置的相似度阈值进行比较，并判断相似度结果是否大于预先设置的相似度阈值；若相似度结果大于预先设置的相似度结果，则评估相似度结果为期望结果；若相似度结果小于预先设置的相似度结果，则评估相似度结果不为期望结果。比如，评估因子为质量置信度，该质量置信度用于表征待识别图像的图像质量，可以是单一属性的图像质量，也可以是综合属性的图像质量，当待识别图像的图像质量较低时，计算得到的相似度结果所表征的识别结果可信度较低，可以认为不是期望结果，当待识别图像的图像质量较高时，计算得到的相似度结果所表征的识别结果可信度较高，可以认为是期望结果。

在本发明实施例中，获取待识别图像特征以及所述待识别图像特征的评估因子；对所述待识别图像特征进行归一化计算，得到归一化特征；将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述相似度计算特征通过相同的算法进行处理并存储在所述数据库中；基于所述相似度结果对所述待识别图像特征的识别结果进行评估。通过将评估因子加入到归一化后的待识别图像特征，使得待识别图像特征具有评估尺度，结合了评估尺度的特征较通常使用的归一化特征，具有更好的识别效果。

需要说明的是，本发明实施例提供的图像识别结果评估方法可以应用于需要对图像识别结果进行评估的手机、监控器、计算机、服务器等设备。

具体的，请参见图2，图2是本发明实施例提供的一种图像识别结果评估方法的流程图，如图2所示，包括：

201、获取待识别图像特征。

202、将待识别图像特征与评估因子权重进行点积运算及映射，得到待识别图像特征的评估因子。

203、对待识别图像特征进行归一化计算，得到归一化特征。

204、将归一化特征与评估因子相乘，得到相似度计算特征。

205、将相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果。

206、获取待识别图像特征对应的项目信息。

在该步骤中，上述的项目信息为图像识别项目，上述图像识别项目可以是人脸识别、行人重识别项目、物体检测项目、物体分类项目、车辆检测项目等图像识别的具体应用项目信息。

上述的项目信息可以是通过用户进行选取获得，由于不同项目类型对应的特征提取引擎中的参数是不相同的，上述的项目信息也可以是通过对待识别图像进行特征提取的特征提取引擎的类型来进行确定，比如，人脸识别项目中人脸图像是通过人脸特征提取引擎进行提取得到，车辆检测项目中车辆图像是通过车辆特征提取引擎进行提取得到。

在一种可能的实施例中，不同的图像识别项目可以建立不同的数据库，存储对应的底库图像特征，上述的项目信息也可以通过所选用的数据库来获取对应的项目信息。比如，数据库中存储有人脸图像特征，则可以确定项目信息为人脸识别项目。

207、根据项目信息，匹配预先设置的相似度阈值。

在该步骤中，由于不同项目所需求的图像质量不同，不同项目对识别结果的容错率要求也不同，因此，可以根据不同项目信息对图像特征的识别结果进行不同的评估，即设置不同的评估策略来评估该待识别图像是否符合对应的图像识别项目的需要。上述的评估策略可以是相似度阈值，该相似度阈值用于与相似度结果进行比较。

在一种可能的实施例中，上述预先设置的评估策略可以是预先存储在对应的数据库中，并与该数据库进行对应关联，在选择数据库时，则会对应匹配到相应的评估策略。

208、将相似度结果与预先设置的相似度阈值进行比较，并判断相似度结果是否大于所述预先设置的相似度阈值。

209、若相似度结果大于预先设置的相似度结果，则评估相似度结果为期望结果。

210、若相似度结果小于所述预先设置的相似度结果，则评估相似度结果不为期望结果。

在上述步骤208、209、210中，在计算相似度结果后，可以评估该待识别图像特征的识别结果是否符合对应项目期望的识别结果，从而对该识别结果进行后续的处理，该后续的处理包括丢弃、输出评估结果、输出识别结果等。比如，对不符合对应项目需求的识别结果进行丢弃，对符合项目需求的识别结果进行输出。

在本发明实施例中，由于根据不同的项目设置不同的评估策略，使得评估的结果更精确，更贴近项目需求，进一步提高了针对不同项目的评估效果。

需要说明的是，本发明实施例提供的图像识别结果评估方法可以应用于需要对图像识别结果进行评估的手机、监控器、计算机、服务器等设备。

请参见图3，图3是本发明实施例提供的一种图像识别结果评估装置的结构示意图，如图3所示，所述装置包括：

第一获取模块301，用于获取待识别图像特征以及所述待识别图像特征的评估因子；

第一计算模块302，用于对所述待识别图像特征进行归一化计算，得到归一化特征；

第二计算模块303，用于将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；

第三计算模块304，用于将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述待识别图像通过相同的计算得到；

评估模块305，用于基于所述相似度结果对所述待识别图像特征的识别结果进行评估。

可选的，所述第一获取模块301还用于将所述待识别图像特征与预先训练好的权重因子进行点积运算及映射，以得到所述待识别图像特征的评估因子，所述待识别图像特征的评估因子被映射为预设区间的值。

可选的，所述评估因子为质量置信度，所述预先训练好的权重因子为预先训练好的质量权重，所述第一获取模块301还用于将所述待识别图像特征与所述预先训练好的质量权重进行点积运算及映射，以得到所述待识别图像特征的质量置信度，所述待识别图像特征的质量置信度为(0,1)区间的值。

可选的，如图4所示，所述第一计算模块302，包括：

提取单元3021，用于提取所述待识别图像特征中的每一个特征值，并计算所述每一个特征值的平方和；

第一计算单元3022，用于计算得到所述平方和的平方根结果；

第二计算单元3023，用于基于平方根结果对所述待识别图像特征进行归一化，得到所述待识别图像特征的归一化特征。

可选的，如图5所示，所述评估模块305，包括：

比较单元3051，用于将所述相似度结果与预先设置的相似度阈值进行比较，并判断所述相似度结果是否大于所述预先设置的相似度阈值；

第一评估单元3052，用于若所述相似度结果大于所述预先设置的相似度结果，则评估所述相似度结果为期望结果；

第二评估单元3053，用于若所述相似度结果小于所述预先设置的相似度结果，则评估所述相似度结果不为期望结果。

可选的，如图6所示，所述装置还包括：

第二获取模块306，用于获取所述待识别图像特征对应的项目信息；

匹配模块307，用于根据所述项目信息，匹配预先设置的相似度阈值。

需要说明的是，本发明实施例提供的图像识别结果评估装置可以应用于需要对图像识别结果进行评估的手机、监控器、计算机、服务器等设备。

本发明实施例提供的图像识别结果评估装置能够实现上述方法实施例中图像识别结果评估方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。

参见图7，图7是本发明实施例提供的一种电子设备的结构示意图，如图7所示，包括：存储器702、处理器701及存储在所述存储器702上并可在所述处理器701上运行的计算机程序，其中：

处理器701用于调用存储器702存储的计算机程序，执行如下步骤：

获取待识别图像特征以及所述待识别图像特征的评估因子；

对所述待识别图像特征进行归一化计算，得到归一化特征；

将所述归一化特征与所述评估因子进行融合，得到相似度计算特征；

将所述相似度计算特征与数据库中底库图像特征进行相似度计算，得到相似度结果，所述底库图像特征与所述待识别图像通过相同的计算得到；

基于所述相似度结果对所述待识别图像特征的识别结果进行评估。

可选的，处理器701执行的所述获取所述待识别图像特征的评估因子，包括：

将所述待识别图像特征与预先训练好的权重因子进行点积运算及映射，以得到所述待识别图像特征的评估因子，所述待识别图像特征的评估因子被映射为(0,1)区间的值。

可选的，所述评估因子为质量置信度，所述预先训练好的权重因子为预先训练好的质量权重，处理器701执行的所述将所述待识别图像特征与预先训练好的权重因子进行点积运算及映射，以得到所述待识别图像特征的评估因子，包括：

将所述待识别图像特征与所述预先训练好的质量权重进行点积运算及映射，以得到所述待识别图像特征的质量置信度，所述待识别图像特征的质量置信度为(0,1)区间的值。

可选的，处理器701执行的所述对所述待识别图像特征进行归一化计算，得到归一化特征，包括：

提取所述待识别图像特征中的每一个特征值，并计算所述每一个特征值的平方和；

计算得到所述平方和的平方根结果；

基于平方根结果对所述待识别图像特征进行归一化，得到所述待识别图像特征的归一化特征。

可选的，处理器701执行的所述基于所述相似度结果对所述待识别图像特征的识别结果进行评估，包括：

将所述相似度结果与预先设置的相似度阈值进行比较，并判断所述相似度结果是否大于所述预先设置的相似度阈值；

若所述相似度结果大于所述预先设置的相似度结果，则评估所述相似度结果为期望结果；

若所述相似度结果小于所述预先设置的相似度结果，则评估所述相似度结果不为期望结果。

可选的，在处理器701执行所述将所述相似度结果与预先设置的相似度阈值进行比较之前，所述处理器701执行还包括：

获取所述待识别图像特征对应的项目信息；

根据所述项目信息，匹配预先设置的相似度阈值。

需要说明的是，上述电子设备可以是可以应用于需要对图像识别结果进行评估的手机、监控器、计算机、服务器等设备。

本发明实施例提供的电子设备能够实现上述方法实施例中图像识别结果评估方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的图像识别结果评估方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。