1.一种训练卷积神经网络的方法，其特征在于，包括：
确定图像对集合，所述图像对集合中的图像对与标签信息对应，所述标签信息用于指示与所述标签信息对应的图像对中的第一图像与第二图像间的变换参数；
确定卷积神经网络的输出项目，所述输出项目的数量与所述变换参数的元素数量对应；
根据所述图像对集合训练所述卷积神经网络。
2.根据权利要求1所述的训练卷积神经网络的方法，其特征在于，所述变换参数包括矩阵。
3.根据权利要求2所述的训练卷积神经网络的方法，其特征在于，所述矩阵包括3*3大小的单应性矩阵。
4.根据权利要求1到3中任一所述的训练卷积神经网络的方法，其特征在于，所述确定图像对集合，包括：
获取所述第一图像；
从变换参数集合中确定所述变换参数；
根据所述第一图像和所述变换参数生成所述第二图像。
5.根据权利要求4所述的训练卷积神经网络的方法，其特征在于，所述从变换参数集合中确定所述变换参数，包括：
从所述变换参数集合中以随机的方式确定所述变换参数。
6.根据权利要求5所述的训练卷积神经网络的方法，其特征在于，所述标签信息与所述变换参数集合中的各变换参数一一对应。
7.根据权利要求4所述的训练卷积神经网络的方法，其特征在于，根据所述第一图像和所述变换参数生成所述第二图像，包括：
将所述第一图像中的像素的坐标乘以所述变换参数得到所述第二图像中与所述第一图像中的像素对应的像素的坐标；和/或
将所述第一图像中的像素的颜色信息作为所述第二图像中与所述第一图像中的像素对应的像素的颜色信息。
8.根据权利要求1所述的训练卷积神经网络的方法，其特征在于，根据所述图像对集合训练所述卷积神经网络，包括：
将所述图像对集合输入所述卷积神经网络；
确定所述卷积神经网络的所述输出项目的输出值；
根据所述输出项目的输出值和所述变换参数构造损失函数；
根据所述损失函数更新所述卷积神经网络的参数。
9.根据权利要求1所述的训练卷积神经网络的方法，其特征在于，在根据所述图像对集合训练所述卷积神经网络之后，还包括：
获取输入图像对；
确定所述卷积神经网络的所述输出项目的输出值；
根据所述输出项目的输出值确定与所述输入图像对中的第一图像与第二图像之间的输入图像对变换参数。
10.根据权利要求9所述的训练卷积神经网络的方法，其特征在于，在根据所述输出项目的输出值确定与所述输入图像对中的第一图像与第二图像之间的输入图像对变换参数之后，还包括：
从所述输入图像对的第一图像中确定第一像素；
根据所述第一像素的坐标和所述输入图像对变换参数得到所述输入图像对的第二图像中与所述第一像素对应的第二像素的坐标；
在以所述第二像素的坐标为圆心，以预设距离为半径的圆形区域中确定与所述第一像素的颜色的相似度最高的像素。
11.一种训练卷积神经网络的装置，其特征在于，包括：
图像对集合确定模块，用于确定图像对集合，所述图像对集合中的图像对与标签信息对应，所述标签信息用于指示与所述标签信息对应的图像对中的第一图像与第二图像间的变换参数；
输出项目确定模块，用于确定卷积神经网络的输出项目，所述输出项目的数量与所述变换参数的元素数量对应；
训练模块，用于根据所述图像对集合训练所述卷积神经网络。
12.一种电子设备，包括：
存储器，用于存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现根据权利要求1-10中任意一项所述的训练卷积神经网络的方法。
13.一种非暂态计算机可读存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-10中任意一项所述的训练卷积神经网络的方法。