用于生成信息的方法和装置与流程

本申请实施例涉及计算机技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

双目视觉是模拟人类视觉原理，通过计算机被动感知距离的方法。实践中，可以从两个或者多个点观察一个物体，获取在不同视角下的图像，根据图像之间像素的匹配关系，通过三角测量原理计算出像素之间的偏移，进而获取物体的三维信息。

通常，得到了物体的景深信息，就可以计算出物体与相机之间的实际距离、物体的三维大小以及两点或多点之间的实际距离。

技术实现要素：

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取第一目标图像和第二目标图像，其中，第一目标图像和第二目标图像为双目视觉图像；将第一目标图像和第二目标图像输入预先训练的卷积神经网络，其中，卷积神经网络包括至少一组子网络，至少一组子网络中的每组子网络包括卷积层以及与该卷积层连接的相关层；对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像；对于至少一组子网络所包括的相关层中的每个相关层，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像；基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

在一些实施例中，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，包括：基于该相关层所连接的卷积层所生成的特征图像中的第二特征图像，生成该相关层所连接的卷积层所生成的特征图像中第一特征图像的预测图像；将所生成的第一特征图像的预测图像以及该相关层所连接的卷积层所生成的特征图像中的第一特征图像确定为用于输入该相关层的两个图像。

在一些实施例中，基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像，包括：对于该卷积层所输入的两个图像中的每个图像，执行以下步骤：将该图像转化为存储为八位定点数的初始图像；对存储为八位定点数的初始图像和所获取的卷积核进行卷积计算，获得存储为六十四位定点数的初始特征图像；基于所获得的存储为六十四位定点数的初始特征图像，生成该图像的特征图像。

在一些实施例中，基于所获得的存储为六十四位定点数的初始特征图像，生成该图像的特征图像，包括：将所获得的存储为六十四位定点数的初始特征图像转化为存储为十六位浮点数的初始特征图像；将存储为十六位浮点数的初始特征图像确定为该图像的特征图像。

在一些实施例中，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像，包括：对于该相关层所输入的两个图像中的每个图像，将该图像转化为存储为一位定点数的初始图像；对所转化的两个存储为一位定点数的初始图像进行相关运算，获得存储为六十四位定点数的初始相关图像；基于所获得的存储为六十四位定点数的初始相关图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在一些实施例中，基于所获得的存储为六十四位定点数的初始相关图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像，包括：将所获得的存储为六十四位定点数的初始相关图像转化为存储为十六位浮点数的初始相关图像；将存储为十六位浮点数的初始相关图像确定为用于表征该相关层所输入的两个图像的相关程度的相关图像。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，配置用于获取第一目标图像和第二目标图像，其中，第一目标图像和第二目标图像为双目视觉图像；输入单元，配置用于将第一目标图像和第二目标图像输入预先训练的卷积神经网络，其中，卷积神经网络包括至少一组子网络，至少一组子网络中的每组子网络包括卷积层以及与该卷积层连接的相关层；第一生成单元，配置用于对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像；第二生成模块，配置用于对于至少一组子网络所包括的相关层中的每个相关层，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像；第三生成单元，配置用于基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

在一些实施例中，第二生成单元包括：第一生成模块，配置用于基于该相关层所连接的卷积层所生成的特征图像中的第二特征图像，生成该相关层所连接的卷积层所生成的特征图像中第一特征图像的预测图像；确定模块，配置用于将所生成的第一特征图像的预测图像以及该相关层所连接的卷积层所生成的特征图像中的第一特征图像确定为用于输入该相关层的两个图像。

在一些实施例中，第一生成单元包括：执行模块，配置用于对于该卷积层所输入的两个图像中的每个图像，执行以下步骤：将该图像转化为存储为八位定点数的初始图像；对存储为八位定点数的初始图像和所获取的卷积核进行卷积计算，获得存储为六十四位定点数的初始特征图像；基于所获得的存储为六十四位定点数的初始特征图像，生成该图像的特征图像。

在一些实施例中，执行模块进一步配置用于：将所获得的存储为六十四位定点数的初始特征图像转化为存储为十六位浮点数的初始特征图像；将存储为十六位浮点数的初始特征图像确定为该图像的特征图像。

在一些实施例中，第二生成单元还包括：转化模块，配置用于对于该相关层所输入的两个图像中的每个图像，将该图像转化为存储为一位定点数的初始图像；运算模块，配置用于对所转化的两个存储为一位定点数的初始图像进行相关运算，获得存储为六十四位定点数的初始相关图像；第二生成模块，配置用于基于所获得的存储为六十四位定点数的初始相关图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在一些实施例中，第二生成模块进一步配置用于：将所获得的存储为六十四位定点数的初始相关图像转化为存储为十六位浮点数的初始相关图像；将存储为十六位浮点数的初始相关图像确定为用于表征该相关层所输入的两个图像的相关程度的相关图像。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述用于生成信息的方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。

本申请实施例提供的用于生成信息的方法和装置，通过获取第一目标图像和第二目标图像，其中，第一目标图像和第二目标图像为双目视觉图像；将第一目标图像和第二目标图像输入预先训练的卷积神经网络，其中，卷积神经网络包括至少一组子网络，至少一组子网络中的每组子网络包括卷积层以及与该卷积层连接的相关层；对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像；对于至少一组子网络所包括的相关层中的每个相关层，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像；基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图，从而有效利用存储为八位定点数的卷积核来获得特征图像，且利用相关层输出的相关图像来生成视差图，提高了信息生成的效率和准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是本申请实施例提供的一种包括三组级联的子网络的卷积神经网络的示意图；

图4是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图5是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理应用、搜索类应用、绘图类应用、即时通信工具、美图软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的图像行处理的图像处理服务器。图像处理服务器可以对接收到的第一目标图像、第二目标图像等数据进行分析等处理，并将处理结果(例如用于表征第一目标图像和第二目标图像的视差的视差图)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取第一目标图像和第二目标图像。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取第一目标图像和第二目标图像。其中，第一目标图像和第二目标图像为双目视觉图像。具体的，第一目标图像可以为双目视觉图像中的左图像，相应的，第二目标图像为双目视觉图像中的右图像；或者，第一目标图像为双目视觉图像中的右图像，相应的，第二目标图像为双目视觉图像中的左图像。实践中，第一目标图像和第二目标图像可以为通过双目相机预先拍摄所获得的图像。

需要说明的是，上述执行主体可以获取预先存储于本地的第一目标图像和第二目标图像，或者获取终端(例如图1所示的终端设备101、102、103)所发送的第一目标图像和第二目标图像。

步骤202，将第一目标图像和第二目标图像输入预先训练的卷积神经网络。

在本实施例中，基于步骤201中得到的第一目标图像和第二目标图像，上述执行主体可以将第一目标图像和第二目标图像输入预先训练的卷积神经网络(convolutionalneuralnetwork，cnn)。其中，第一图像和第二图像为双目视觉图像。上述卷积神经网络可以用于表征对应关系，其中，对应关系为输入卷积神经网络的第一图像和第二图像与卷积神经网络输出的表征第一图像和第二图像的视差的视差图的对应关系。

在上述的卷积神经网络中，可以包括至少一组子网络，每组子网络可以包括：卷积层以及与该卷积层连接的相关层。卷积层可以用于提取所输入的图像的图像特征。相关层可以用于确定所输入的两个图像的相关程度。除此之外，上述至少一组子网络中的每组子网络还可以包括与该组子网络的相关层连接的视差图生成层。视差图生成层可以用于基于相关层输出相关图像，生成视差图。例如，视差图生成层可以包括反卷积层。

作为示例，上述卷积神经网络可以包括一组子网络或多组子网络。

当卷积神经网络包括一组子网络时，该组子网络可以包括依次连接的卷积层、相关层以及视差图生成层。该组子网络的卷积层可以用于提取第一目标图像和第二目标图像的特征，生成两个特征图像。该组子网络的相关层可以用于根据该组子网络的卷积层输出的两个特征图像，生成该组子网络的相关图像。该组子网络的视差图生成层可以用于根据该组子网络的相关层输出的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

当卷积神经网络包括至少两组子网络时，至少两组子网络级联。具体的，各组子网络所包括的卷积层可以从首至尾依次连接。各组子网络的相关层可以连接于卷积层和视差图生成层之间。各组子网络所包括的视差图生成层可以从尾至首依次连接，或者未连接。

图3示例性的示出了一种包括三组级联的子网络的卷积神经网络的示意图。

如图3所示，图3中的卷积神经网络301包括三组级联的子网络3011、3012、3013。其中，子网络3011为首级子网络；子网络3012为中间级子网络；子网络3013为尾级子网络。各组子网络均包括卷积层、相关层和视差图生成层。其中，卷积层通过三角形表示；相关层通过正方形表示；视差图生成层通过五边形表示。在这里，各级子网络的卷积层从首至尾依次连接。各级子网络的相关层连接于卷积层和视差图生成层之间。各级子网络的视差图生成层从尾至首依次连接。

在这里，首级子网络3011的卷积层可以提取第一目标图像和第二目标图像的特征，获得首级子网络3011的卷积层输出的两个特征图像，并将所获得的两个特征图像分别输出给中间级子网络3012的卷积层和首级子网络3011的相关层；首级子网络3011的相关层可以根据首级子网络3011的卷积层输出的两个特征图像，生成首级子网络3011的相关图像，并将所生成的相关图像输出给首级子网络3011的视差图生成层；首级子网络3011的视差图生成层可以根据首级子网络3011的相关层输出的相关图像和中间级子网络3012的视差图生成层输出的视差图，生成首级子网络3011的、用于表征第一目标图像和第二目标图像的视差的视差图。

中间级子网络3012的卷积层可以提取首级子网络3011的卷积层输出的两个特征图像的特征，获得中间级子网络3012的卷积层输出的两个特征图像，并将所获得的两个特征图像输出给尾级子网络3013的卷积层和中间级子网络3012的相关层；中间级子网络3012的相关层可以根据中间级子网络3012的卷积层输出的两个特征图像，生成中间级子网络3012的相关图像，并将所生成的相关图像输出给中间级子网络3012的视差图生成层；中间级子网络3012的视差图生成层可以根据中间级子网络3012的相关层输出的相关图像和尾级子网络3013的视差图生成层输出的视差图，生成中间级子网络3012的视差图。

尾级子网络3013的卷积层可以提取中间级子网络3012的卷积层输出的两个特征图像的特征，获得尾级子网络3013的卷积层输出的两个特征图像，并将所生成的两个特征图像输出给尾级子网络3013的相关层；尾级子网络3013的相关层可以用于根据尾级子网络3013的卷积层输出的两个特征图像，生成尾级子网络3013的相关图像，并将所生成的相关图像输出给尾级子网络3013的视差图生成层；尾级子网络3013的视差图生成层可以根据尾级子网络3013的相关层输出的相关图像，生成尾级子网络3013的视差图。

可以理解的是，通过上述依次连接的卷积层，可以不同程度地提取图像的图像特征，生成多个特征图像，然后通过所生成的多个特征图像，生成多个视差图，进而可以综合多个视差图的图像特征，生成更为准确的、用于表征第一目标图像和第二目标图像的视差的视差图。

返回图2，在本实施例中，上述卷积神经网络可以为预先利用机器学习方法，基于训练样本对初始卷积神经网络进行训练后所得到的网络。

作为示例，上述卷积神经网络可以通过如下步骤训练得到：首先，可以获取多个样本图像组。其中，对于多个样本图像组中的每个样本图像组，该样本图像组包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像。之后，获取多个样本图像组中的每个样本图像组所对应的样本视差图，该样本视差图可以为预先通过图像处理软件(例如matlab)生成的视差图。最后，可以利用机器学习的方法，将上述多个样本图像组中的每个样本图像组依次输入初始卷积神经网络模型，将对应上述多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，逐步调整卷积神经网络模型的参数，训练得到训练完成的上述卷积神经网络。

步骤203，对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像。

在本实施例中，对于上述至少一组子网络所包括的卷积层中的每个卷积层，上述执行主体可以获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像。这一生成特征图像的步骤，可以由上述执行主体上安装的硬件或者软件执行。

在本实施例的一些可选的实现方式中，对于该卷积层所输入的两个图像中的每个图像，上述执行主体可以通过如下步骤生成该图像的特征图像：首先，上述执行主体可以将该图像转化为存储为八位定点数的初始图像。之后，上述执行主体可以对存储为八位定点数的初始图像和所获取的卷积核进行卷积计算，获得存储为六十四位定点数的初始特征图像。最后，上述执行主体可以基于所获得的存储为六十四位定点数的初始特征图像，生成该图像的特征图像。

在本实现方式中，上述执行主体可以直接将所获得的存储为六十四为定点数的初始特征图像确定为该图像的特征图像，也可以对所获得的存储为六十四位定点数的初始特征图像进行进一步处理，将处理后的初始特征图像确定为该图像的特征图像。

示例性地，在对所获得的存储为六十四位定点数的初始特征图像进行进一步处理时，可以将所获得的存储为六十四位定点数的初始特征图像转化为存储为十六位浮点数的初始特征图像，然后，再将存储为十六位浮点数的初始特征图像确定为该图像的特征图像。

在该示例中，上述执行主体通过对所获得的存储为六十四位定点数的初始特征图像进行图像处理(例如缩放、批规范化等)，获得该图像的特征图像，可以使所获得的特征图像符合预设的图像格式。

上述实现方式中，对于输入卷积层的两个图像中的每个图像，生成该图像的特征图像的过程，采用浮点数输入可以保证图像的精度，通过将浮点数转化为与卷积核存储格式相同的定点数进行卷积计算，可以提高计算效率。

步骤204，对于至少一组子网络所包括的相关层中的每个相关层，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在本实施例中，对于至少一组子网络所包括的相关层中的每个相关层，上述执行主体可以通过如下步骤生成相关图像：

步骤2041，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像。

示例性的，上述执行主体可以将该相关层所连接的卷积层所生成的两个特征图像直接确定为用于输入该相关层的两个图像。

在本实施例的一些可选的实现方式中，上述执行主体还可以通过如下步骤确定用于输入该相关层的两个图像：首先，上述执行主体可以基于该相关层所连接的卷积层所生成的特征图像中的第二特征图像，生成该相关层所连接的卷积层所生成的特征图像中第一特征图像的预测图像；然后，上述执行主体可以将所生成的第一特征图像的预测图像以及该相关层所连接的卷积层所生成的特征图像中的第一特征图像确定为用于输入该相关层的两个图像。

在本实现方式中，上述执行主体可以通过各种方法获得该相关层所连接的卷积层所生成的特征图像中第一特征图像的预测图像。例如，上述执行主体可以基于预设的视差值，对第二特征图像所包括的像素点进行调整，获得第一特征图像的预测图像。

可选的，上述执行主体还可以通过该相关层所连接的形变层获得第一特征图像的预测图像。具体的，上述执行主体可以将第二特征图像和所获得的视差数据输入该相关层所连接的形变层，获得第一特征图像的预测图像。在这里，形变层可以用于基于所输入的视差数据，对所输入的第二特征图像进行变形，生成第一特征图像的预测图像。

需要说明的是，在这里，视差数据可以为与第一目标图像和第二目标图像的视差相关的数据。具体的，上述视差数据可以为预先设置的视差数据(例如视差阈值)，也可以为该相关层所在子网络的下一级子网络输出的视差图等。

在本实现方式中，通过生成第一特征图像的预测图像，并将第一特征图像以及第一特征图像的预测图像确定为用于输入相关层的两个图像，可以使相关层输出的相关图像所表征的相关信息更为可靠，从而可以进一步提高视差图生成的准确性。

步骤2042，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在这里，上述执行主体可以直接对该相关层所输入的两个图像进行相关运算，生成用于表征该相关层所输入的两个图像的相关程度的相关图像，也可以对所输入的两个图像进行图像处理，并对处理后图像进行相关运算，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

具体的，上述执行主体可以基于预设尺寸的滑动窗口，从所输入的两个图像上确定候选区域，进而基于所确定的候选区域，执行以下相关运算步骤：对于两个图像上候选区域内的像素点，进行逐点同或运算，获得运算结果；提取数值1的运算结果；确定所输入的两个图像是否包括未进行相关运算的图像区域。之后，上述执行主体可以响应于确定所输入的两个图像包括未进行相关运算的图像区域，基于预设步数，移动上述滑动窗口，将上述滑动窗口移至的图像区域确定为候选区域，继续执行上述相关运算步骤。或者，上述执行主体可以响应于确定所输入的两个图像不包括未进行相关运算的图像区域，基于所提取的运算结果，生成用于表征该相关层所输入的两个图像的相关程度相关图像。

步骤205，基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例中，基于步骤204所生成的相关图像，上述执行主体可以生成用于表征第一目标图像和第二目标图像的视差的视差图。

作为一个示例，上述卷积神经网络可以包括一组子网络，该组子网络包括依次连接的卷积层、相关层和视差图生成层。此时，上述执行主体可以将相关层生成的相关图像输入视差图生成层，生成用于表征第一目标图像和第二目标图像的视差的视差图。

作为另一个示例，上述卷积神经网络可以包括至少两组子网络，且上述至少两组子网络级联。具体的，各组子网络所包括的卷积层可以从首至尾依次连接。各组子网络所包括的视差图生成层可以从尾至首依次连接，或者未连接。

在该示例中，当各组子网络所包括的视差图生成层未连接时，对于至少两组子网络中的每组子网络，上述执行主体可以将该组子网络的相关层生成的相关图像输入该组子网络的视差图生成层，生成该组子网络的视差图。进而，上述执行主体可以基于各组子网络生成的视差图和预设方法，确定目标视差图。例如，可以将所生成的视差图中、所表征的视差最大的视差图确定为目标视差图；或者，可以基于针对各个子网络预先设置的权重，对所生成视差图进行加权求和处理，获得处理后图像，并将处理后图像确定为目标视差图。

在该示例中，当各组子网络所包括的视差图生成层连接时，对于至少两组子网络中的每组子网络，上述执行主体可以将该组子网络的相关层生成的相关图像和该组子网络的下一级子网络的视差图生成层输出的视差图输入该组子网络的视差图生成层，生成该组子网络的视差图。此时，上述执行主体可以将上述至少两组子网络中的首级子网络的视差图生成层输出的视差图确定为用于表征第一目标图像和第二目标图像的视差的视差图。

继续参见图4，图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中，服务器401可以首先获取第一目标图像402和第二目标图像403，其中，第一目标图像402和第二目标图像403为双目视觉图像；然后，服务器401可以将第一目标图像402和第二目标图像403输入预先训练的卷积神经网络404，其中，卷积神经网络包括子网络4041，子网络4041包括卷积层40411以及与卷积层40411连接的相关层40412；接着，对于卷积层40411，服务器401可以获取存储为八位定点数的、卷积层40411的卷积核，并基于卷积层40411所输入的第一目标图像402、第二目标图像403和所获取的卷积核，生成第一特征图像405和第二特征图像406；对于相关层40412，服务器401可以基于卷积层40411所生成的第一特征图像405和第二特征图像406，确定用于输入相关层40412的图像407和图像408，基于图像407和图像408，生成用于表征相关层40412所输入的图像407和图像408的相关程度的相关图像409；最后，服务器401可以基于所生成的相关图像409，生成用于表征第一目标图像402和第二目标图像403的视差的视差图410。

本申请的上述实施例提供的方法利用存储为八位定点数的卷积核来获得特征图像，且利用相关层输出的相关图像来生成视差图，提高了信息生成的效率和准确性。

进一步参考图5，其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500，包括以下步骤：

步骤501，获取第一目标图像和第二目标图像。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取第一目标图像和第二目标图像。其中，第一目标图像和第二目标图像为双目视觉图像。

步骤502，将第一目标图像和第二目标图像输入预先训练的卷积神经网络。

在本实施例中，基于步骤501中得到的第一目标图像和第二目标图像，上述执行主体可以将第一目标图像和第二目标图像输入预先训练的卷积神经网络。其中，第一图像和第二图像为双目视觉图像。上述卷积神经网络可以用于表征对应关系，其中，对应关系为输入卷积神经网络的第一图像和第二图像与卷积神经网络输出的表征第一图像和第二图像的视差的视差图。

在上述的卷积神经网络中，可以包括至少一组子网络，每组子网络可以包括：卷积层以及与该卷积层连接的相关层。卷积层可以用于提取所输入的图像的图像特征。相关层可以用于确定所输入的两个图像的相关程度。除此之外，上述至少一组子网络中的每组子网络还可以包括与该组子网络的相关层连接的视差图生成层。视差图生成层可以用于基于相关层输出相关图像，生成视差图。

步骤503，对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像。

在本实施例中，对于上述至少一组子网络所包括的卷积层中的每个卷积层，上述执行主体可以获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像。这一生成特征图像的步骤，可以由上述执行主体上安装的硬件或者软件执行。

上述步骤501、步骤502、步骤503分别与前述实施例中的步骤201、步骤202、步骤203一致，上文针对步骤201、步骤202和步骤203的描述也适用于步骤501、步骤502和步骤503，此处不再赘述。

步骤504，对于至少一组子网络所包括的相关层中的每个相关层，执行以下步骤：基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像；对于该相关层所输入的两个图像中的每个图像，将该图像转化为存储为一位定点数的初始图像；对所转化的两个存储为一位定点数的初始图像进行相关运算，获得存储为六十四位定点数的初始相关图像；基于所获得的存储为六十四位定点数的初始相关图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在本实施例中，对于至少一组子网络所包括的相关层中的每个相关层，上述执行主体可以采用各种数据存数形式的转化方法，将该相关层所输入的两个图像转化为存储为一位定点数的初始图像。例如，上述执行主体可以对该相关层所输入的两个图像进行二值化处理，获得存储为一位定点数的初始图像。

在本实施例中，基于所获得的存储为六十四位定点数的初始相关图像，上述执行主体可以生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

示例性的，上述执行主体可以将所获得的存储为六十四位定点数的初始相关图像直接确定为用于表征该相关层所输入的两个图像的相关程度的相关图像，也可以对所获得的存储为六十四为定点数的初始相关图像进行进一步处理，将处理后的初始相关图像确定为用于表征该相关层所输入的两个图像的相关程度的相关图像。

示例性的，在对所获得的存储为六十四为定点数的初始相关图像进行进一步处理时，可以将所获得的存储为六十四位定点数的初始相关图像转化为存储为十六位浮点数的初始相关图像，然后，再将存储为十六位浮点数的初始相关图像确定为用于表征该相关层所输入的两个图像的相关程度的相关图像。

步骤505，基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例中，基于步骤504中的相关图像，上述执行主体可以生成用于表征第一目标图像和第二目标图像的视差的视差图。

上述步骤505与前述实施例中的步骤205一致，上文针对步骤205的描述也适用于步骤505，此处不再赘述。

从图5中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程500突出了对相关层所输入的两个图像进行图像处理，以获得存储为一位定点数的初始图像，并对所获得的两个初始图像进行相关计算，获得相关图像的步骤。由此，本实施例描述的方案利用存储位数较少的定点数数据来进行计算，可以获得更快的计算速度，进而进一步提高了信息生成的效率。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于生成信息的装置600包括：获取单元601、输入单元602、第一生产单元603、第二生成单元604和第三生成单元605。

其中，获取单元602配置用于获取第一目标图像和第二目标图像，其中，第一目标图像和第二目标图像为双目视觉图像；输入单元602配置用于将第一目标图像和第二目标图像输入预先训练的卷积神经网络，其中，卷积神经网络包括至少一组子网络，至少一组子网络中的每组子网络包括卷积层以及与该卷积层连接的相关层；第一生成单元603配置用于对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像；第二生成模块604配置用于对于至少一组子网络所包括的相关层中的每个相关层，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像；第三生成单元605配置用于基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例中，获取单元601可以通过有线连接方式或者无线连接方式获取第一目标图像和第二目标图像。其中，第一目标图像和第二目标图像为双目视觉图像。具体的，第一目标图像可以为双目视觉图像中的左图像，相应的，第二目标图像为双目视觉图像中的右图像；或者，第一目标图像为双目视觉图像中的右图像，相应的，第二目标图像为双目视觉图像中的左图像。

在本实施例中，基于获取单元601得到的第一目标图像和第二目标图像，输入单元602可以将第一目标图像和第二目标图像输入预先训练的卷积神经网络。其中，第一图像和第二图像为双目视觉图像。上述卷积神经网络可以用于表征对应关系，其中，对应关系为输入卷积神经网络的第一图像和第二图像与卷积神经网络输出的表征第一图像和第二图像的视差的视差图。

在上述的卷积神经网络中，可以包括至少一组子网络，每组子网络可以包括：卷积层以及与该卷积层连接的相关层。卷积层可以用于提取所输入的图像的图像特征。相关层可以用于确定所输入的两个图像的相关程度。除此之外，上述至少一组子网络中的每组子网络还可以包括与该组子网络的相关层连接的视差图生成层。视差图生成层可以用于基于相关层输出相关图像，生成视差图。例如，视差图生成层可以包括反卷积层。

在本实施例中，对于至少一组子网络所包括的卷积层中的每个卷积层，第一生成单元603可以获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像。

在本实施例中，对于至少一组子网络所包括的相关层中的每个相关层，第二生成单元604可以通过如下步骤生成相关图像：

步骤6041，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像。

步骤6042，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在本实施例中，基于第二生成单元604所生成的相关图像，第三生成单元605可以生成用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例的一些可选的实现方式中，第二生成单元604可以包括：第一生成模块(图中未示出)，配置用于基于该相关层所连接的卷积层所生成的特征图像中的第二特征图像，生成该相关层所连接的卷积层所生成的特征图像中第一特征图像的预测图像；确定模块(图中未示出)，配置用于将所生成的第一特征图像的预测图像以及该相关层所连接的卷积层所生成的特征图像中的第一特征图像确定为用于输入该相关层的两个图像。

在本实施例的一些可选的实现方式中，第一生成单元603可以包括：执行模块(图中未示出)，配置用于对于该卷积层所输入的两个图像中的每个图像，执行以下步骤：将该图像转化为存储为八位定点数的初始图像；对存储为八位定点数的初始图像和所获取的卷积核进行卷积计算，获得存储为六十四位定点数的初始特征图像；基于所获得的存储为六十四位定点数的初始特征图像，生成该图像的特征图像。

在本实施例的一些可选的实现方式中，执行模块可以进一步配置用于：将所获得的存储为六十四位定点数的初始特征图像转化为存储为十六位浮点数的初始特征图像；将存储为十六位浮点数的初始特征图像确定为该图像的特征图像。

在本实施例的一些可选的实现方式中，第二生成单元604还可以包括：转化模块(图中未示出)，配置用于对于该相关层所输入的两个图像中的每个图像，将该图像转化为存储为一位定点数的初始图像；运算模块(图中未示出)，配置用于对所转化的两个存储为一位定点数的初始图像进行相关运算，获得存储为六十四位定点数的初始相关图像；第二生成模块(图中未示出)，配置用于基于所获得的存储为六十四位定点数的初始相关图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像。

在本实施例的一些可选的实现方式中，第二生成模块可以进一步配置用于：将所获得的存储为六十四位定点数的初始相关图像转化为存储为十六位浮点数的初始相关图像；将存储为十六位浮点数的初始相关图像确定为用于表征该相关层所输入的两个图像的相关程度的相关图像。

本申请的上述实施例提供的装置600通过获取单元601获取第一目标图像和第二目标图像，接着输入单元602将第一目标图像和第二目标图像输入预先训练的卷积神经网络，其中，卷积神经网络包括至少一组子网络，至少一组子网络中的每组子网络包括卷积层以及与该卷积层连接的相关层，然后对于至少一组子网络所包括的卷积层中的每个卷积层，第一生成单元603获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像，接着对于至少一组子网络所包括的相关层中的每个相关层，第二生成单元604基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像，最后第三生成单元605基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图，从而有效利用存储为八位定点数的卷积核来获得特征图像，且利用相关层输出的相关图像来生成视差图，提高了信息生成的效率和准确性。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、第一生成单元、第二生成单元和第三生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取第一目标图像和第二目标图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取第一目标图像和第二目标图像，其中，第一目标图像和第二目标图像为双目视觉图像；将第一目标图像和第二目标图像输入预先训练的卷积神经网络，其中，卷积神经网络包括至少一组子网络，至少一组子网络中的每组子网络包括卷积层以及与该卷积层连接的相关层；对于至少一组子网络所包括的卷积层中的每个卷积层，获取存储为八位定点数的、该卷积层的卷积核，并基于该卷积层所输入的两个图像和所获取的卷积核，分别生成所输入的两个图像的特征图像；对于至少一组子网络所包括的相关层中的每个相关层，基于该相关层所连接的卷积层所生成的两个特征图像，确定用于输入该相关层的两个图像，基于该相关层所输入的两个图像，生成用于表征该相关层所输入的两个图像的相关程度的相关图像；基于所生成的相关图像，生成用于表征第一目标图像和第二目标图像的视差的视差图。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。