(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210903614.5 (22)申请日 2022.07.28 (71)申请人 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 康洋　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 唐宇鑫 (51)Int.Cl. G06V 10/48(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 40/16(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种图像处理方法、 装置、 计算机设备及存 储介质 (57)摘要 本申请实施例公开了一种图像处理方法、 装 置、 计算机设备及存储介质， 可应用于计算机视 觉、 云技术、 智慧交通、 辅助驾驶等场景。 其中方 法包括： 获取待处理图像； 调用图像处理模型对 待处理图像进行特征提取， 得到待处理图像的第 一特征图， 该图像处理模型是基于样本图像的量 化特征图以及量化参数训练得到的， 量化特征图 以及量化参数是对样本图像的第二特征图进行 量化处理得到的； 调用图像处理模 型对第一特征 图进行卷积处理， 得到待处理图像中关键点的特 征信息。 采用本申请实施例， 通过基于样本图像 的量化特征图以及量化参数训练得到的图像处 理模型对待处理图像进行处理， 可减少特征图对 显存的占用量， 从而降低图像处理时所需的硬件 的成本。 权利要求书2页 说明书13页 附图6页 CN 115272706 A 2022.11.01 CN 115272706 A 1.一种图像处 理方法， 其特 征在于， 所述方法包括： 获取待处 理图像； 调用图像处理模型对所述待处理图像进行特征提取， 得到所述待处理图像的第 一特征 图， 所述图像处理模型是基于样本图像的量化特征图以及量化参数训练得到的， 所述量化 特征图以及所述 量化参数是对所述样本图像的第二特 征图进行量 化处理得到的； 调用所述图像处理模型对所述第 一特征图进行卷积处理， 得到所述待处理图像中关键 点的特征信息。 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： 获取样本图像以及对应的标注信 息， 所述标注信 息包括所述样本图像中各个关键点的 参考特征信息； 调用卷积神经网络对所述样本图像进行 特征提取， 得到所述样本图像的第二特 征图； 基于预设比特数对所述第 二特征图进行量化处理， 得到所述样本图像的量化特征图以 及量化参数； 基于所述量化特征图、 所述量化参数以及所述标注信息对所述卷积神经网络进行训 练， 得到所述图像处 理模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于预设比特数对所述第 二特征图进 行量化处理， 得到所述样本图像的量 化特征图以及量 化参数， 包括： 获取所述第 二特征图的量化范围以及量化值域， 所述量化范围是基于预设比特数确定 的， 所述量化值域是基于量 化函数以及所述第二特 征图包括的数值确定的； 基于所述 量化范围以及所述 量化值域确定所述第二特 征图的量 化参数； 基于所述量化范围、 所述第二特征图以及所述量化参数， 确定所述样本 图像的量化特 征图， 并存 储所述量化特征图以及所述 量化参数； 其中， 所述第二特征图包括的数据为浮点型数据， 所述量化特征图包括的数据为整型 数据。 4.根据权利要求3所述的方法， 其特征在于， 所述量化参数包括第一参数和第二参数， 基于所述 量化范围以及所述 量化值域确定所述第二特 征图的量 化参数， 包括： 基于所述第二特 征图的量 化范围以及量 化值域确定所述第一 参数； 基于所述第 一参数、 所述第 二特征图的量化范围的最小值以及所述第 二特征图的量化 值域的最小值确定所述第二 参数。 5.根据权利要求2或3所述的方法， 其特征在于， 所述基于所述量化特征图、 所述量化参 数以及所述标注信息对所述卷积神经网络进行训练， 得到所述图像处 理模型， 包括： 基于所述第二特征图以及卷积权重对所述卷积神经网络中对应的目标卷积层进行前 向操作， 得到第三特 征图； 从缓存中获取所述量化特征图以及所述量化参数， 并基于所述量化特征图、 所述量化 参数以及所述第三特征图的卷积梯度对所述目标卷积层进 行后向操作， 得到所述卷积权重 的卷积梯度； 基于所述卷积权重的卷积梯度以及所述第二特征图对所述卷积神经网络中所述目标 卷积层之后的卷积层进行 卷积处理， 得到所述样本图像中各个关键点的预测特 征信息； 基于所述标注信息以及所述样本图像中各个关键点的预测特征信息对所述卷积神经权　利　要　求　书 1/2 页 2 CN 115272706 A 2网络的网络参数进行调整， 得到所述图像处 理模型。 6.根据权利要求5所述的方法， 其特征在于， 基于所述量化特征图、 所述量化参数以及 所述第三特征图的卷积梯度对所述目标卷积层进 行后向操作， 得到所述卷积权重的卷积梯 度， 包括： 基于所述 量化参数对所述 量化特征图进行反量 化处理， 得到第四特 征图； 基于所述第四特征图以及所述第三特征图的卷积梯度对所述目标卷积层进行后向操 作， 得到所述卷积权 重的卷积梯度。 7.根据权利要求2所述的方法， 其特征在于， 所述基于预设比特数对所述第 二特征图进 行量化处理， 得到所述样本图像的量 化特征图以及量 化参数， 包括： 基于预设比特 数确定量 化范围； 基于所述量化范围和所述第二特征图中目标点的值， 确定所述第二特征图的量化参 数； 基于所述量化范围、 所述第二特征图以及所述量化参数， 确定所述样本 图像的量化特 征图。 8.一种图像处 理装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取待处 理图像； 处理单元， 用于调用图像处理模型对所述待处理图像进行特征提取， 得到所述待处理 图像的第一特征图， 所述图像处理模型是基于样本图像的量化特征图 以及量化参数训练得 到的， 所述量化特征图 以及所述量化参数是对所述样本图像的第二特征图进 行量化处理得 到的； 所述处理单元， 还用于调用所述图像处理模型对所述第一特征图进行卷积处理， 得到 所述待处 理图像中关键点的特 征信息。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器、 通信接口以及处理器， 其中， 所述存储器、 所述通信接口和所述处理器相互连接； 所述存储器存储有计算机程序， 所述处理器调用所述存储器中存储的计算机程序， 用于实现权利要求 1至7任一项 所述的图 像处理方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1至7中任一项所述的图像处 理方法。 11.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括计算机程序或计算机 指令， 所述计算机程序或计算机指令被处理器执行时实现如权利要求 1至7中任一项 所述的 图像处理方法。权　利　要　求　书 2/2 页 3 CN 115272706 A 3