(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210310424.2 (22)申请日 2022.03.28 (65)同一申请的已公布的文献号 申请公布号 CN 114419338 A (43)申请公布日 2022.04.29 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 陆嘉欣　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 毛丹 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/762(2022.01)G06V 10/774(2022.01) G06K 9/62(2022.01) 审查员 谭岳峰 (54)发明名称 图像处理方法、 装置、 计算机设备和存储介 质 (57)摘要 本申请可应用于地图领域 或交通领域， 涉及 一种图像处理方法、 装置、 计算机设备和存储介 质。 该方法包括： 对待处理道路图像进行基础特 征提取， 得到图像基础特征； 基于图像基础特征 得到各个像素点特征， 并基于图像基础特征得到 道路边界线分割特征和道路边界线属性特征； 基 于道路边界线分割特征和各个像素点特征得到 各个道路边界线像素点特征； 将各个道路边界线 像素点特征进行聚类， 得到道路边界线区域； 基 于道路边界线区域和道路边界线属性特征进行 属性识别， 得到道道路边界线属性信息。 采用本 方法能够提高道路边界线信息的准确性。 权利要求书8页 说明书24页 附图15页 CN 114419338 B 2022.07.01 CN 114419338 B 1.一种图像处 理方法， 其特 征在于， 所述方法包括： 获取待处 理道路图像， 对所述待处 理道路图像进行基础特 征提取， 得到图像 基础特征； 基于所述图像基础特征进行像素点嵌入式表示， 得到所述待处理道路图像中各个像素 点特征， 并基于所述图像基础特征进行道路边界线分割分类识别， 得到所述待处理道路图 像对应的道路边界线分割特 征和所述待处 理道路图像对应的道路边界线属性特 征； 基于所述道路边界线分割特征和所述各个像素点特征进行道路边界线像素点特征计 算， 得到各个道路边界线像素点特 征； 将所述各个道路边界线像素点特征进行聚类， 得到所述待处理道路图像中道路边界线 区域； 基于所述道路边界线区域和所述道路边界线属性特征进行属性识别， 得到所述道路边 界线区域对应的道路边界线属性信息 。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 将所述待处 理道路图像输入到道路边界线预测模型中； 通过所述道路边界线预测模型对所述待处理道路图像进行基础特征提取， 得到图像基 础特征； 通过所述道路边界线预测模型对所述图像基础特征进行像素点嵌入式表示， 得到所述 待处理道路图像中各个像素点特征， 并对所述图像基础特征进行道路边界线分割分类识 别， 得到所述待处理道路图像对应的道路边界线分割特征和所述待处理道路图像对应的道 路边界线属性特 征； 通过所述道路边界线预测模型基于所述道路边界线分割特征和所述各个像素点特征 进行道路边界线像素点特 征计算， 得到各个道路边界线像素点特 征； 通过所述道路边界线预测模型将所述各个道路边界线像素点特征进行聚类， 得到所述 待处理道路图像中道路边界线区域； 通过所述道路边界线预测模型基于所述道路边界线区域和所述道路边界线属性特征 进行属性识别， 得到所述道路边界线区域对应的道路边界线属性信息 。 3.根据权利要求2所述的方法， 其特征在于， 所述道路边界线预测模型包括基础特征提 取网络、 像素点特 征提取分支网络和识别分支网络； 所述通过所述道路边界线预测模型对所述待处理道路图像进行基础特征提取， 得到图 像基础特征， 包括： 将所述待处理道路图像输入到所述基础特征提取网络 中进行基础特征提取， 得到所述 图像基础特征； 所述通过所述道路边界线预测模型对所述图像基础特征进行像素点嵌入式表示， 得到 所述待处理道路图像中各个像素点特征， 并对 所述图像基础特征进行道路边界线分割分类 识别， 得到所述待处理道路图像对应的道路边界线分割特征和所述待处理道路图像对应的 道路边界线属性特 征， 包括： 将所述图像基础特征输入到所述像素点特征提取分支网络 中进行像素点嵌入式表示， 得到所述待处 理道路图像中各个 像素点特 征； 将所述图像基础特征输入到所述识别分支网络 中进行道路边界线分割分类识别， 得到 所述待处理道路图像对应的道路边界线分割特征和所述待处理道路图像对应的道路边界权　利　要　求　书 1/8 页 2 CN 114419338 B 2线属性特 征。 4.根据权利要求2所述的方法， 其特征在于， 所述道路边界线预测模型的训练包括以下 步骤： 获取训练道路图像、 所述训练道路图像对应的道路边界线属性标签和所述训练道路图 像对应的道路边界线实例标签； 将所述训练道路图像输入到初始道路边界线预测模型中， 得到输出的初始道路边界线 区域和初始 道路边界线属性信息； 基于所述初始道路边界线区域、 所述初始道路边界线属性信息、 所述道路边界线属性 标签和所述道路边界线实例标签进行损失计算， 得到预测训练损失信息； 基于所述预测训练损失信 息反向更新所述初始道路边界线预测模型， 得到更新道路边 界线预测模型； 将所述更新道路边界线预测模型作为所述初始道路边界线预测模型， 并返回获取训练 道路图像、 所述训练道路图像对应的道路边界线属性标签和所述训练道路图像对应的道路 边界线实例标签的步骤执行， 直到达到预测训练完成条件时， 得到所述道路边界线预测模 型。 5.根据权利要求2所述的方法， 其特征在于， 所述道路边界线预测模型的训练包括以下 步骤： 获取训练道路图像、 所述训练道路图像对应的道路边界线属性标签、 所述训练道路图 像对应的道路边界线实例标签和所述训练道路图像对应的地 面要素分割标签； 将所述训练道路图像输入到初始图像预测模型中， 通过所述初始图像预测模型对所述 训练道路图像进行基础特 征提取， 得到初始图像 基础特征； 通过所述初始图像预测模型对所述初始图像基础特征进行像素点嵌入式表示， 得到所 述训练道路图像中各个初始像素点特征， 并对 所述初始图像基础特征进 行道路边界线分割 分类识别， 得到所述训练道路图像对应的初始道路边界线分割特征和所述训练道路图像对 应的初始道路边界线属 性特征， 并对所述初始图像基础特征进行地面要素分割， 得到所述 训练道路图像对应的初始地 面要素分割结果； 通过所述初始图像预测模型对所述初始道路边界线分割特征和所述各个初始像素点 特征进行道路边界线像素点特征计算， 得到各个初始道路边界线像素点特征， 将所述各个 初始道路边界线像素点特征进行聚类， 得到所述道路图像中初始道路边界线区域， 基于所 述初始道路边界线区域和所述初始道路边界线属性特征进 行属性识别， 得到所述初始道路 边界线区域对应的初始 道路边界线属性信息； 基于所述初始道路边界线区域、 所述初始道路边界线属性信息、 初始地面要素分割结 果、 所述道路边界线实例标签、 所述道路边界线属 性标签和所述地面要素分割 标签进行损 失计算， 得到图像训练损失信息； 基于所述图像训练损失信息反向更新所述初始图像预测模型， 得到更新图像预测模 型； 将所述更新图像预测模型作为所述初始图像预测模型， 并返回获取训练道路图像、 所 述训练道路图像对应的道路边界线属性标签、 所述训练道路图像对应的道路边界线实例标 签和所述训练道路图像对应的地面要 素分割标签的步骤执行， 直到达到图像训练完成条件权　利　要　求　书 2/8 页 3 CN 114419338 B 3