深度信息确定方法、装置、电子设备和存储介质

技术领域

本申请实施例涉及图像处理技术领域，特别涉及一种深度信息确定方法、装置、电子设备和存储介质。

背景技术

在自动驾驶或增强现实(Augmented Reality，AR)等需要目标对象与现实世界进行交互的场景中，需要确定目标对象与现实世界中其他物体之间的距离，从而根据该距离确定该目标对象的当前姿态等。通常通过目标对象上安装的图像采集设备采集图像，对采集到的图像进行深度信息预测，基于图像中的深度信息，确定目标对象与现实世界中其他物体之间的距离。

发明内容

本申请实施例提供了一种深度信息确定方法、装置、电子设备和存储介质，能够。所述技术方案如下：

一方面，提供了一种深度信息确定方法，所述方法包括：

对待处理的第一图像进行多级边缘特征放大，得到多个特征强化图，所述特征强化图为将所述第一图像的边缘特征放大的特征图；

将所述多个特征强化图与所述第一图像进行通道级联，得到第二图像；

基于所述第二图像确定所述第一图像的深度信息。

另一方面，提供了一种深度信息确定装置，所述装置包括：

特征放大模块，用于对待处理的第一图像进行多级边缘特征放大，得到多个特征强化图，所述特征强化图为将所述第一图像的边缘特征放大的特征图；

通道级联模块，用于将所述多个特征强化图与所述第一图像进行通道级联，得到第二图像；

确定模块，用于基于所述第二图像确定所述第一图像的深度信息。

另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器；所述存储器存储有至少一条程序代码，所述至少一条程序代码用于被所述处理器执行以实现如上述方面所述的深度信息确定方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质存储有至少一条程序代码，所述至少一条程序代码用于被处理器执行以实现如上述方面所述的深度信息确定方法。

另一方面，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述方面所述的深度信息确定方法。

在本申请实施例中，通过特征放大函数，放大第一图像中的边缘特征，将放大后的特征强化图像与原始图像进行通道及联，使得第一图像的边缘特征与其他特征分布均匀，使得在对第一图像进行深度预测时，能够关注第一图像的边缘特征对应的图像区域的深度信息，从而提高了确定深度信息的准确性。

附图说明

图1示出了本申请一个示例性实施例示出的深度信息确定方法的实施环境的示意图；

图2示出了本申请一个示例性实施例示出的深度信息确定方法的流程图；

图3示出了本申请一个示例性实施例示出的深度信息确定方法的流程图；

图4示出了本申请一个示例性实施例示出的通道打乱的示意图；

图5示出了本申请一个示例性实施例示出的深度信息确定方法的流程图；

图6示出了本申请一个示例性实施例示出的深度信息确定装置的结构框图；

图7示出了本申请一个示例性实施例示出的终端的结构框图；

图8示出了本申请一个示例性实施例示出的服务器的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本申请所涉及的图像数据可以为经用户授权或者经过各方充分授权的数据。

图1是根据本申请实施例示出的一种深度信息确定方法的实施环境的示意图。参见图1，该实施环境包括图像采集设备和电子设备。其中，图像采集设备用于采集图像，将采集到的图像发送给电子设备。电子设备用于接收图像采集设备发送的图像，基于图像采集设备发送的图像确定图像的深度信息，基于该深度信息确定目标对象的当前状态。

图像采集设备为能够进行图像采集的设备。其中，图像采集设备能够拍摄图像或视频。相应的，图像采集设备直接将采集到的图像发送发给电子设备。或者，图像采集设备采集视频流，从视频流中截取出的帧图像，将截取出的帧图像作为待确定深度信息的图像。该图像采集设备所在的位置一般为目标对象所在的位置。

其中，电子设备为终端或服务器。在电子设备为终端的情况下，电子设备为手机、电脑、平板电脑、车载终端或可穿戴设备、近眼显示设备等终端。在该电子设备为服务器的情况下，该电子设备为单独的服务器或者由多个服务器组成的服务器群组或者云服务器等。

需要说明的一点是，在电子设备为终端的情况下，电子设备和图像采集设备可以为同一设备。例如，在自动驾驶场景中，该电子设备为安装有摄像头的车载终端。或者，在增强现实(Augmented Reality，AR)场景中，该电子设备为VR投影设备等近眼显示设备等。

其中，由于低频特征，即大尺度的形状更容易识别，使得在确定图像的深度信息的过程中，会忽略高频特征。然而在确定图像的深度信息时，需要预测每一个像素点的深度信息，因此，也需要关注图像中的高频特征。其中，高频特征包括像素点之间发生细微变化的像素点的特征，例如，边缘特征等。

请参考图2，其示出了本申请一个示例性实施例示出的深度信息确定方法的流程图。本申请实施例中的执行主体为电子设备，或者为电子设备中的处理器或操作系统，本实施例以执行主体为电子设备为例进行说明。方法包括：

步骤201：电子设备对待处理的第一图像进行多级边缘特征放大，得到多个特征强化图。

第一图像为需要确定深度信息的图像。例如，在自动驾驶的场景中，该第一图像为进行自动驾驶的车辆上安装的图像采集设备采集到的视频流中的任一帧图像。其中，第一图像的尺寸为H×W×N，H为图像的高，W为图像的宽，N为图像的通道数。该第一图像的尺寸根据需要进行设置，在本申请实施例中，对第一图像的尺寸和通道数不作具体限定。

需要说明的一点是，在本步骤之前，电子设备可以确定是否进行深度信息确定。例如，电子设备确定当前场景中目标对象是否在预设范围内，若在预设范围内则执行步骤201；若不在预设范围内，则电子设备继续检测目标对象是否在预设范围内。或者，电子设备对第一图像进行图像检测，若电子设备在第一图像检测到其他对象，才执行步骤201；若电子设备未在第一图像中检测到其他对象，继续执行其他对象检测过程。

例如，在自动驾驶场景中，电子设备检测第一图像中是否存在其他车辆，若存在其他车辆，执行步骤201。或者，在VR场景中，电子设备确定当前玩家是否进入预设范围内，若当前玩家进入预设范围，执行步骤201。

边缘特征为第一图像的高频特征，即图像中像素点变化较大的区域的特征。

其中，特征强化图为将第一图像的边缘特征放大的特征图。在本步骤中，参见图3，电子设备通过特征放大函数对第一图像中的每个通道图像中的边缘特征进行多级放大，得到该第一图像的多个特征强化图。其中，每个通道图像每进行一级边缘特征强化都得到至少一个特征强化图。该过程通过以下步骤2011-2013实现，包括：

步骤2011：电子设备确定特征放大函数和最大放大次数。

其中，该特征放大函数为以放大次数和像素值为变量的函数。该最大放大次数为该特征放大函数中放大次数的最大取值。相应的，在进行特征放大的过程中，对于同一通道图像中的同一像素点，电子设备依次将放大次数从1到最大放大次数作为特征放大函数的变量值，对该像素点进行特征放大。其中，该特征放大函数为用于对第一图像中的像素点的像素值进行调整的函数。例如，该特征放大函数为正弦函数和余弦函数组成的函数组。见公式一和公式二。

公式一：S

公式二：C

其中，S

最大放大次数根据需要进行设置在本申请实施例中，对该最大放大次数不作具体限定。例如，该最大放大次数M为2或3等。

步骤2012：对于第一图像的每个通道图像，电子设备通过特征放大函数，对通道图像中的每个像素点进行映射，得到通道图像的多个特征强化图，映射的次数为最大放大次数。

在本步骤中，电子设备通过该特征放大函数，将第一图像中每个通道图像的图像特征放大1至M，得到每个通道图像的至少M个特征强化图。例如，对于特征放大函数为上述公式一和公式二对应的特征放大函数，电子设备将该第一图像的任一通道图像通过该公式一和公式二进行边缘特征放大，得到该通道图像的多个特征图像：S

公式三：H＝concat(S

其中，concat(·)表示通道级联操作，S

步骤2013：电子设备将每个通道图像的多个特征强化图组成第一图像的多个特征强化图。

在本步骤中，电子设备将通道级联后的每个通道图像组成第一图像的多个特征强化图。若第一图像的通道数为c，最大放大次数为M，则第一图像的多个特征强化图的数量为2Mc。

在本实现方式中，通过特征放大函数将第一图像的边缘特征放大不同的级数，使得第一图像能够包括不同放大次数的边缘特征，从而提高了确定第一图像的深度信息的准确度。

步骤202：电子设备将多个特征强化图与第一图像进行通道级联，得到第二图像。

在本步骤中，电子设备将第一图像的多个特征强化图H与第一图像在通道维度上进行级联，得到(2M+1)c维的第二图像。

在一些实施例中，电子设备直接将该第一图像与该多个特征强化图进行通道级联，得到第二图像。在一些实施例中，继续参见图3，电子设备将第一图像与该多个特征强化图像进行通道及联后，将级联后的通道图像的中的图像通道重新排序，得到第二图像；相应的，该过程通过以下步骤2021-2022实现，包括：

步骤2021：电子设备将第一图像的图像通道与多个特征强化图的图像通道进行拼接，得到通道级联图像。

步骤2022：电子设备对通道级联图像中的图像通道顺序进行重新排序，得到第二图像。

在本实现方式中，电子设备通过对通道级联后的通道级联图像中的图像通道顺序进行重新排序，使得得到的第二图像中不同的放大次数对应的特征更均匀，从而提高确定深度信息的准确性。

其中，电子设备打乱图像通道的方式有以下两种。

第一种方式，电子设备随机选取两个通道图像，交换这两个通道的通道图像，得到第二图像。该过程为：从通道级联图像中确定第一通道图像和第二通道图像；将第一通道图像和第二通道图像的位置进行交换，得到第二图像。

例如，若通道级联图像的通道数为n，则电子设备从第1个通道开始，依次遍历所有通道，标记遍历到的第i个通道，在第i+1～n个通道中随机选择第j个通道，将第i个通道和第j个通道的通道图像进行交换。

需要说明的一点是，电子设备能够随机选取一对通道图像进行交换，也可以分别选择多对通道图像进行交换，在本申请实施例中，对此不作具体限定。

在本实现方式中，通过交换不同的两个通道图像实现对图像通道的顺序进行重新排序，排序方式简单，提高了打乱图像通道的效率。

第二种实现方式，电子设备对多个通道图像基于通道数进行分组，基于分组对通道级联图像进行重新排序，该过程通过以下步骤(1)-(3)实现，包括：

(1)电子设备确定通道级联图像的通道数。

(2)电子设备基于通道数对通道级联图像的图像通道进行分组。

在本步骤中，电子设备将通道数进行因式分解，根据因式分解结果对通道级联图像的图像通道进行分组。若通道级联图像的尺寸为H×W×C，H、W、C分别代表道级联图像的高、宽、通道数；对C进行因子分解记为C＝C1×C2；

(3)电子设备根据分组对通道级联图像中的图像通道顺序进行重新排序，得到第二图像。

在本步骤中，电子设备根据分组结果，将通道级联图像分解为多维通道图像，再将多维通道图像打乱后，对图像进行降维，得到第二图像。该过程为：电子设备根据分组，确定第一维度和第二维度，第一维度为通道级联图像中图像通道的组数，第二维度为每个分组中的通道图像的数量；将通道级联图像变换为第一维度的第一多维图像；根据第二维度，将第一多维图像变换为第二维度的第二多维图像；对第二多维图像进行降维，得到第二图像。

例如，继续以上述例子为例，根据该因式分解结果进行增维分解，使道级联图像的尺寸变为H×W×C1×C2；交换通道顺序使尺寸变为H×W×C2×C1；合并最后两维使得通道恢复为H×W×C。这样通过分组维度交换即可实现通道维度上的分组打乱。

例如，参见图4，通道数C为6，则通道级联图像包括通道图像1-6，将通道数进行因式分解分解为2×3，则将通道级联图像分解为二维图像，每个维度有3个通道图像，分别为通道图像1-3和通道图像4-6；然后将分组进行变换，变换为三维图像，每个维度包括2个通道图像，分别为通道图像1和4、通道图像2和5以及通道图像3和6；最后将该三维图像降维到一维图像，得到第二图像，第二图像中通道图像的顺序为通道图像1、4、2、5、3和6。

在本实现方式中，通过对通道级联图像中的通道进行重新排序，得到第二图像，从而降低不同频率的特征在通道维度上的隔离，使得电子设备不容易分辨出哪些是边缘特征，从而使电子设备能更好的识别边缘特征，提高了确定深度信息的准确性。

步203：电子设备基于第二图像确定第一图像的深度信息。

电子设备对第二图像进行深度信息预测，将第二图像的深度信息确定为第一图像的深度信息。其中，该深度信息可以为单通道的同尺寸深度普，深度普中每一点的取值代表第一图像中对应像素在现实世界中与采集该图像的图像采集设备之间的距离。

在一些实施例中，电子设备通过深度确定模型对第二图像进行深度信息预测。该过程为：电子设备将第二图像输入至深度确定模型，得到第二图像的深度信息；将第二图像的深度信息作为第一图像的深度信息。

其中，该深度确定模型为卷积神经网络(Convolutional Neural Networks，CNN)网络构成的模型。

在本实现方式中，电子设备通过深度确定模型确定第二图像的深度信息，提高了确定深度信息的准确率和效率。

另外，电子设备还可以将第二图像的图像通道数进行降低，对降低通道数后的图像进行深度信息的确定。该过程为：电子设备降低第二图像的通道数，得到第三图像；基于第三图像，通过深度确定模型确定深度信息。

在本实现方式中，通过对第二图像的图像通道数进行降低，从而减少确定深度信息时的计算量，提高计算效率。

其中，电子设备通过在深度确定模型中添加通道降低模块，通过通道降低模块来降低第二图像的通道数，相应的，深度确定模型包括通道降低模块和深度信息确定模块；电子设备降低第二图像的通道数，得到第三图像的过程包括：电子设备通过通道将低模块将第二图像的通道数降低，得到第三图像。电子设备基于第三图像，通过深度确定模型确定深度信息的过程包括：通过深度信息确定模块，确定第三图像的深度信息。

其中，该通道将低模块为1×1卷积层，通过该卷积层将多通道图像融合为单通道图像。在本实现方式中，通过增加通道将低模块降低第二图像的通道数，从而减小了深度确定模型的计算量，提高了深度确定的效率。

在本申请实施例中，通过特征放大函数，放大第一图像中的边缘特征，将放大后的特征强化图像与原始图像进行通道及联，使得第一图像的边缘特征与其他特征分布均匀，使得在对第一图像进行深度预测时，能够关注第一图像的边缘特征对应的图像区域的深度信息，从而提高了确定深度信息的准确性。

在通过深度确定模型确定图像的深度信息之前，需要对待训练的深度确定模型进行模型训练，得到深度确定模型。请参考图5，其示出了本申请一个示例性实施例示出的深度信息确定方法的流程图。本申请实施例中的执行主体为电子设备，或者为电子设备中的处理器或操作系统，本实施例以执行主体为电子设备为例进行说明。在本实施例中，以训练深度确定模型为例进行说明，方法包括：

步骤501：电子设备对用于模型训练的任一第一样本图像进行多级边缘特征放大，得到多个样本特征强化图，样本特征强化图为将第一样本图像的边缘特征放大的特征图。

本步骤与步骤201相似，在此不再赘述。

需要说明的一点是，在本步骤之前，电子设备可以对训练样本进行统一处理，例如，将训练样本归一化到相同尺寸；将训练样本取值归一化到预设范围；对样本图像进行随机翻转等，得到第一图像。

步骤502：电子设备将多个样本特征强化图与第一样本图像进行通道级联，得到第二样本图像。

本步骤与步骤202相似，在此不再赘述。

步骤503：电子设备基于多个第二样本图像和每个第二样本图像对应的样本深度信息，对待训练的深度确定模型进行模型训练，得到深度确定模型。

电子设备通过多个第二样本图像对待训练的深度确定模型进行模型训练，通过训练得到的数据对深度确定模型进行参数调整，得到收敛的深度确定模型。该过程通过一下步骤5031-5033实现，包括：

步骤5031：电子设备将第二样本图像输入至待训练的深度确定模型中，得到第二样本图像的预测深度信息。

在本步骤中，电子设备通过待训练的深度确定模型，对第二样本图像进行深度预测，得到第二样本图像的预测深度信息。

步骤5032：电子设备根据预测深度信息和样本深度信息，确定待训练深度确定模型的损失值。

损失值包括多种类型的损失函数对应的数值，例如，损失值包括L1函数值、L2函数值和SSIM函数值中的至少一个。

需要说明的一点是，当损失值为多个时，可以对多个损失值进行加权求和，得到该深度确定模型的损失值。

在本步骤中，电子设备基于预测深度信息和样本深度信息之间的差值，确定该待训练深度确定模型的损失值。

步骤5033：电子设备若待训练深度确定模型不收敛，根据损失值调整待训练深度确定模型的模型参数。

其中，深度确定模型收敛包括：训练次数到达预定次数或者损失值小于预设阈值等。在本申请实施例中，对此不作具体限定。

当待训练的深度确定模型收敛时，得到训练完成的深度确定模型。当待训练深度确定模型不收敛时，执行步骤5033。

步骤5033：电子设备继续对调整参数后的深度确定模型进行模型训练，直到待训练深度确定模型收敛，得到训练完成的深度确定模型。

电子设备重复执行步骤5031-5033，直到深度确定模型收敛，得到训练完成的深度确定模型。通过模型是否收敛来确定模型是否训练完成，提高了模型的训练效率。

在本实现方式中，通过对训练样本进行边缘特征强化，使得深度确定模型能够学习到边缘特征，从而在进行识别时能够提高深度确定模型的准确率。

在本申请实施例中，通过特征放大函数，放大第一图像中的边缘特征，将放大后的特征强化图像与原始图像进行通道及联，使得第一图像的边缘特征与其他特征分布均匀，使得在对第一图像进行深度预测时，能够关注第一图像的边缘特征对应的图像区域的深度信息，从而提高了确定深度信息的准确性。

请参考图6，其示出了本申请一个实施例提供的深度信息确定装置的结构框图。该深度信息确定装置可以通过软件、硬件或者两者的结合实现成为处理器的全部或一部分。该装置包括：

特征放大模块601，用于对待处理的第一图像进行多级边缘特征放大，得到多个特征强化图，该特征强化图为将该第一图像的边缘特征放大的特征图；

通道级联模块602，用于将该多个特征强化图与该第一图像进行通道级联，得到第二图像；

确定模块603，用于基于该第二图像确定该第一图像的深度信息。

在一些实施例中，该通道级联模块602，包括：

拼接单元，用于将该第一图像的图像通道与该多个特征强化图的图像通道进行拼接，得到通道级联图像；

排序单元，用于对该通道级联图像中的图像通道顺序进行重新排序，得到该第二图像。

在一些实施例中，该排序单元，包括：

第一排序子单元，用于从该通道级联图像中确定第一通道图像和第二通道图像；将该第一通道图像和该第二通道图像的位置进行交换，得到该第二图像；或者，

第二排序子单元，用于确定该通道级联图像的通道数；基于该通道数对该通道级联图像的图像通道进行分组；根据该分组对该通道级联图像中的图像通道顺序进行重新排序，得到该第二图像。

在一些实施例中，该第二排序子单元，用于根据该分组，确定第一维度和第二维度，该第一维度为该通道级联图像中图像通道的组数，该第二维度为该每个分组中的通道图像的数量；将该通道级联图像变换为该第一维度的第一多维图像；根据该第二维度，将该第一多维图像变换为第二维度的第二多维图像；对该第二多维图像进行降维，得到该第二图像。

在一些实施例中，该特征放大模块601，包括：

第一确定单元，用于确定特征放大函数和最大放大次数，该特征放大函数为以放大次数和像素值为变量的函数；

映射单元，用于对于该第一图像的每个通道图像，通过该特征放大函数，对该通道图像中的每个像素点进行映射，得到该通道图像的多个特征强化图，该映射的次数为该最大放大次数；

组成单元，用于将该每个通道图像的多个特征强化图组成该第一图像的多个特征强化图。

在一些实施例中，该确定模块603，包括：

第一输入单元，用于将该第二图像输入至深度确定模型，得到该第二图像的深度信息；

第二确定单元，用于将该第二图像的深度信息作为该第一图像的深度信息。

在一些实施例中，该装置还包括：

该特征放大模块601，还用于对用于模型训练的任一第一样本图像进行多级边缘特征放大，得到多个样本特征强化图，该样本特征强化图为将该第一样本图像的边缘特征放大的特征图；

该通道级联模块602，还用于将该多个样本特征强化图与该第一样本图像进行通道级联，得到第二样本图像；

训练模块，用于基于多个第二样本图像和每个第二样本图像对应的样本深度信息，对待训练的深度确定模型进行模型训练，得到深度确定模型。

在一些实施例中，该训练模块，包括：

第二输入单元，用于将该第二样本图像输入至该待训练的深度确定模型中，得到该第二样本图像的预测深度信息；

第三确定单元，用于根据该预测深度信息和该样本深度信息，确定该待训练深度确定模型的损失值；

参数调整单元，用于若该待训练深度确定模型不收敛，根据该损失值调整该待训练深度确定模型的模型参数；

训练单元，用于继续对调整参数后的深度确定模型进行模型训练，直到该待训练深度确定模型收敛，得到训练完成的深度确定模型。

在一些实施例中，该第一输入单元，用于降低该第二图像的通道数，得到第三图像；基于该第三图像，通过该深度确定模型确定该深度信息。

在一些实施例中，该深度确定模型包括通道降低模块和深度信息确定模块603；

该第一输入单元，用于通过该通道将低模块将该第二图像的通道数降低，得到该第三图像；通过该深度信息确定模块603，确定该第三图像的深度信息。

在本申请实施例中，通过特征放大函数，放大第一图像中的边缘特征，将放大后的特征强化图像与原始图像进行通道及联，使得第一图像的边缘特征与其他特征分布均匀，使得在对第一图像进行深度预测时，能够关注第一图像的边缘特征对应的图像区域的深度信息，从而提高了确定深度信息的准确性。

在本申请实施例中，该电子设备为终端或者服务器。在该电子设备为终端的情况下，请参考图7，其示出了本申请一个示例性实施例提供的终端700的结构方框图。终端700可以是智能手机、平板电脑、可穿戴设备或车载终端等终端。本申请中的终端700可以包括一个或多个如下部件：处理器710、存储器720。

在一些实施例中，处理器710包括一个或者多个处理核心。处理器710利用各种接口和线路连接整个终端100内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行终端700的各种功能和处理数据。可选地，处理器710采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)、神经网络处理器(Neural-network Processing Unit，NPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；NPU用于实现人工智能(Artificial Intelligence，AI)功能；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块芯片进行实现。

在一些实施例中，存储器720包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。可选地，该存储器720包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等；存储数据区可存储根据终端700的使用所创建的数据(比如音频数据、电话本)等。

在一些实施例中，终端还包括显示屏。显示屏是用于显示用户界面的显示组件。可选的，该显示屏为具有触控功能的显示屏，通过触控功能，用户可以使用手指、触摸笔等任何适合的物体在显示屏上进行触控操作。

显示屏通常设置在终端700的前面板。显示屏可被设计成为全面屏、曲面屏、异型屏、双面屏或折叠屏。显示屏还可被设计成为全面屏与曲面屏的结合，异型屏与曲面屏的结合等，本实施例对此不加以限定。

除此之外，本领域技术人员可以理解，上述附图所示出的终端700的结构并不构成对终端700的限定，终端700可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端700中还包括麦克风、扬声器、射频电路、输入单元、传感器、音频电路、无线保真(Wireless Fidelity，Wi-Fi)模块、电源、蓝牙模块等部件，在此不再赘述。

在电子设备为服务器时，参见图8，图8是本申请实施例提供的一种服务器的结构示意图，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)801和一个或一个以上的存储器802，其中，所述存储器802中存储有至少一条指令，所述至少一条指令由所述处理器801加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器800还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器800还可以包括其他用于实现设备功能的部件，在此不做赘述。

本申请实施例还提供了一种计算机可读介质，该计算机可读介质存储有至少一条程序代码，该至少一条程序代码由该处理器加载并执行以实现如上各个实施例示出的深度信息确定方法。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品存储有至少一条程序代码，该至少一条程序代码由该处理器加载并执行以实现如上各个实施例示出的深度信息确定方法。

在一些实施例中，本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。