1.一种道路识别方法，其特征在于，包括：

对待识别图像提取第一路线对应的多个特征图，所述多个特征图分别用于表征所述第一路线的类型和/或颜色，以及表征所述第一路线位置的情况，所述第一路线为所述待识别图像中的车道线或道路边界；

基于所述多个特征图生成所述第一路线的第一实例，以及所述第一实例对应的第一位置；

识别所述第一实例对应的第一类型和/或第一颜色，所述第一实例对应的第一类型和/或第一颜色是基于所述多个特征图和所述第一实例对应的第一位置识别得到。

2.如权利要求1所述的方法，其特征在于，所述多个特征图包括得分特征图和偏移特征图，所述得分特征图用于表征所述第一路线在所述待识别图像中的形状情况，所述偏移特征图用于表征所述第一路线相对于网格的偏移情况，所述网格为对所述多个特征图进行分割的网格，所述基于所述多个特征图生成所述第一路线的第一实例，包括：基于预设顺序遍历所述得分特征图的网格；

在遍历到第一网格的情况下，基于所述得分特征图确定所述第一网格对应的第一得分，所述第一网格为未编码状态的网格；

在所述第一得分大于设定得分阈值的情况下，基于所述偏移特征图确定所述第一网格的第一偏移值和第二偏移值，所述第一偏移值用于表征所述第一路线在第一网格的部分相对于所述第一网格的偏移情况，所述第二偏移值用于表征所述第一路线在第二网格的部分相对于第一网格的偏移情况，所述第二网格为所述第一网格相邻的网格；

基于所述第一偏移值生成第一中间实例，以及所述第一中间实例对应的中间位置，并将所述第一网格设为已编码状态；

基于所述第二网格和所述第一中间实例生成所述第一实例。

3.如权利要求2所述的方法，其特征在于，所述基于所述第二网格和所述第一中间实例生成所述第一实例，包括：在所述第二网格为未编码状态的情况下，基于所述得分特征图确定所述第二网格对应的第二得分；

在所述第二得分大于设定得分阈值的情况下，基于所述偏移特征图确定所述第二网格的第三偏移值和第四偏移值，所述第三偏移值用于表征所述第一路线在所述第二网格的部分相对于所述第二网格的偏移情况，所述第四偏移值用于表征所述第一路线在第三网格的部分相对于第二网格的偏移情况，所述第三网格为所述第二网格相邻的网格；

基于所述第三偏移值生成第二中间实例，以及所述第二中间实例对应的中间位置，并将所述第二网格设为已编码状态；

基于所述第三网格、所述第一中间实例和所述第二中间实例生成所述第一实例。

4.如权利要求2所述的方法，其特征在于，所述基于所述第二网格和所述第一中间实例生成所述第一实例，包括：在所述第二网格为已编码状态，或者，所述第二网格对应的第二得分小于或等于设定得分阈值的情况下，基于所述第一中间实例生成所述第一实例。

5.如权利要求1所述的方法，其特征在于，所述基于所述多个特征图生成所述第一路线的第一实例，包括：基于所述多个特征图生成所述第一路线的多个初始实例；

从所述多个初始实例中确定多个中间实例，所述多个中间实例中每个中间实例对应第一位置的高度大于设定高度阈值；

计算所述多个中间实例与第三中间实例之间的距离，所述第三中间实例为所述多个中间实例中对应得分最高的中间实例；

筛选所述第一实例，所述第一实例包括所述多个中间实例中与所述第三中间实例之间的距离小于设定距离阈值的实例。

6.如权利要求1至5中任一项所述的方法，其特征在于，所述对待识别图像提取第一路线对应的多个特征图，包括：基于预设模型对待识别图像进行特征提取，得到所述第一路线对应的所述多个特征图；

其中，所述预设模型通过如下方式得到：

获取样本训练数据，所述样本训练数据包括样本图像，以及所述样本图像对应的样本特征图，所述样本特征图包括样本得分特征图、样本偏移特征图、样本类型特征图和样本颜色特征图中的至少一项；

基于所述样本训练数据对初始模型进行训练，得到中间训练模型，所述初始模型用于提取图像对应的特征图；

计算所述中间训练模型对应的损失值；

在所述损失值小于设定损失阈值的情况下，将所述中间训练模型设为所述预设模型。

7.如权利要求6所述的方法，其特征在于，所述样本得分特征图通过如下方式得到：对所述样本图像中所述第一路线所在位置进行标注，得到所述样本得分特征图；和/或，所述样本类型特征图通过如下方式得到：

对所述样本得分特征图中所述第一路线的类型进行标注，得到所述样本类型特征图；和/或，所述样本颜色特征图通过如下方式得到：

对所述样本得分特征图中所述第一路线的颜色进行标注，得到所述样本颜色特征图。

8.如权利要求7所述的方法，其特征在于，所述样本偏移特征图通过如下方式得到：基于预设网格对所述样本得分特征图进行划分；

计算划分后的多个网格中每个对应的第一偏移值和第二偏移值，所述多个网格包括第四网格，所述第四网格的所述第一偏移值为所述第一路线相对于所述第四网格的偏移值，所述第四网格的所述第二偏移值为所述第一路线相对于第五网格的偏移值，所述第四网格和所述第五网格相邻；

基于所述多个网格的第一偏移值和第二偏移值构建所述样本偏移特征图。

9.如权利要求6所述的方法，其特征在于，所述计算所述中间训练模型对应的损失值，包括：基于所述中间训练模型对所述样本图像进行特征提取，得到预测得分特征图、预测偏移特征图、预测类型特征图和/或预测颜色特征图；

基于所述样本得分特征图和所述预测得分特征图计算第一损失值；和/或，基于所述样本偏移特征图和所述预测偏移特征图计算第二损失值；和/或，基于所述样本类型特征图和所述预测类型特征图计算第三损失值；和/或，基于所述样本颜色特征图和所述预测颜色特征图计算第四损失值；

将所述第一损失值、所述第二损失值、所述第三损失值和/或所述第四损失值进行加权，得到所述损失值。

10.如权利要求6所述的方法，其特征在于，所述预设模型包括依次连接的多个第一卷积模块和多个第二卷积模块，所述多个第一卷积模块中每个第一卷积模块分别与相同输入尺寸的第二卷积模块跳连接，所述多个第一卷积模块用于提取图像的不同尺度的特征，所述多个第二卷积模块用于输出所述多个特征图。

11.一种道路识别装置，其特征在于，包括：

提取模块，用于对待识别图像提取第一路线对应的多个特征图，所述多个特征图分别用于表征所述第一路线的类型和/或颜色，以及表征所述第一路线位置的情况，所述第一路线为所述待识别图像中的车道线或道路边界；

生成模块，用于基于所述多个特征图生成所述第一路线的第一实例，以及所述第一实例对应的第一位置；

识别模块，用于识别所述第一实例对应的第一类型和/或第一颜色，所述第一实例对应的第一类型和/或第一颜色是基于所述多个特征图和所述第一实例对应的第一位置识别得到。

12.一种电子设备，其特征在于，包括收发机和处理器，

所述处理器，用于对待识别图像提取第一路线对应的多个特征图，所述多个特征图分别用于表征所述第一路线的类型和/或颜色，以及表征所述第一路线位置的情况，所述第一路线为所述待识别图像中的车道线或道路边界；

所述处理器，还用于基于所述多个特征图生成所述第一路线的第一实例，以及所述第一实例对应的第一位置；

所述处理器，还用于识别所述第一实例对应的第一类型和/或第一颜色，所述第一实例对应的第一类型和/或第一颜色是基于所述多个特征图和所述第一实例对应的第一位置识别得到。

13.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至10中任一项所述的道路识别方法的步骤。

14.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的道路识别方法的步骤。

15.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令被处理器执行时实现如权利要求1至10中任一项所述的道路识别方法的步骤。