CN112132111A - 泊车典型场景的提取方法、设备、存储介质及装置 - Google Patents

Abstract

本发明公开了一种泊车典型场景的提取方法、设备、存储介质及装置，首先获取泊车位数据中的场景参数并对所述场景参数进行筛选，其次根据场景参数筛选结果对泊车场景进行聚类分析，然后计算所述泊车场景的聚合系数，并根据聚合系数确定最终泊车场景聚类结果，最后通过卡方检验法检验不同类型场景之间的差异显著性，进而根据差异显著性结果提取泊车位典型场景。在现有技术中需要预先指定典型场景的数量，而在本发明中通过获取场景参数并进行筛选，对泊车场景进行聚类分析聚合系数检验确定最终泊车场景聚类结果，之后通过卡方检验便捷、准确的提取泊车位典型场景。

Description

泊车典型场景的提取方法、设备、存储介质及装置

技术领域

本发明涉及自动泊车技术领域，尤其涉及一种泊车典型场景的提取方法、设备、存储介质及装置。

背景技术

随着智能网联汽车技术的逐渐发展,智能驾驶系统逐渐取代了人类驾驶员的部分驾驶任务。智能汽车已经成为世界汽车工程领域的研究热点和汽车产业增长的新动力，其中智能网联汽车自主泊车系统的开发也得到了更进一步的发展。

目前对于泊车系统的测试场景主要来源于ISO标准，现有的泊车测试标准不仅数量少，测试场景还极其有限，不能全面地泊车系统进行测试。为了建立更加全面成熟的泊车测试场景，大部分车企采用采集实车数据，但对于采集的大量数据，并不是所有数据全部都是有价值的，如何从海量的数据中便捷、准确的提取出典型场景是急需解决的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种泊车典型场景的提取方法、设备、存储介质及装置，旨在解决现有技术中无法的便捷、准确的提取出泊车典型场景技术问题。

为实现上述目的，本发明提供一种泊车典型场景的提取方法，所述泊车典型场景的提取方法包括以下步骤：

获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果；

根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果；

根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果；

通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结果；

根据所述差异显著性结果提取泊车位典型场景。

优选的，所述根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果的步骤包括：

根据所述场景参数筛选结果计算不同泊车场景之间的距离，获取泊车场景之间的距离；

根据所述泊车场景之间的距离对泊车场景进行聚类分析，获取聚类分析结果。

优选的，所述根据所述场景参数筛选结果计算不同泊车场景之间的距离，获取泊车场景之间的距离的步骤包括：

根据所述场景参数筛选结果中场景参数的类型对所述场景参数进行分类，获取场景参数分类结果；

根据所述场景参数分类结果计算不同泊车场景的相同类型参数之间的参数距离；

根据所述参数距离获取泊车场景之间的距离。

优选的，所述获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果的步骤包括：

获取泊车位数据中场景参数和预设场景参数数目；

根据所述场景参数计算所述场景参数的权重值；

根据所述权重值和预设场景参数数目对所述场景参数进行筛选，获取筛选到的场景参数结果。

优选的，所述根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果的步骤包括：

根据所述聚类分析结果对所述泊车场景的聚合系数进行计算，获得聚合系数计算结果；

通过所述聚合系数计算结果和预设聚合系数阈值进行比较，获得聚合系数比较结果；

根据所述聚合系数比较结果确定最终场景聚类结果。

优选的，所述通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结的步骤包括：

获取所述最终场景聚类结果中的泊车场景；

根据所述泊车场景中的场景参数确定所述泊车场景的典型参数；

根据所述典型参数通过卡方检验法计算所述最终泊车场景聚类结果中的不同泊车场景之间的差异显著性，获取差异显著性结果。

优选的，所述根据所述差异显著性结果提取泊车位典型场景的步骤包括：

将所述差异显著性结果和预设差异显著性阈值进行比较，获取比较结果；

根据所述比较结果确定所述最终场景聚类的泊车位经典场景。

此外，为实现上述目的，本发明还提出一种泊车典型场景的提取设备，所述泊车典型场景的提取设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的泊车典型场景的提取程序，所述泊车典型场景的提取程序配置为实现如上文所述的泊车典型场景的提取方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有泊车典型场景的提取程序，所述泊车典型场景的提取程序被处理器执行时实现如上文所述的泊车典型场景的提取方法的步骤。

此外，为实现上述目的，本发明还提出一种泊车典型场景的提取装置，所述泊车典型场景的提取装置包括：场景参数筛选模块、聚类分析模块、聚类结果获取模块、差异显著性计算模块和典型场景提取模块；

所述场景参数筛选模块，用于获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果；

所述聚类分析模块，用于根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果；

所述聚类结果获取模块，用于根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果；

所述差异显著性计算模块，用于通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结果；

所述典型场景提取模块，用于根据所述差异显著性结果提取泊车位典型场景。

本发明中，提供一种泊车典型场景的提取方法、设备、存储介质及装置，首先获取泊车位数据中的场景参数并对所述场景参数进行筛选，其次根据场景参数筛选结果对泊车场景进行聚类分析，然后计算所述泊车场景的聚合系数，并根据聚合系数确定最终泊车场景聚类结果，最后通过卡方检验法检验不同类型场景之间的差异显著性，进而根据差异显著性结果提取泊车位典型场景。在现有技术中需要预先指定典型场景的数量，而在本发明中通过获取场景参数并进行筛选，对泊车场景进行聚类分析聚合系数检验确定最终泊车场景聚类结果，之后通过卡方检验便捷、准确的提取泊车位典型场景。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的泊车典型场景的提取设备的结构示意图；

图2为本发明泊车典型场景的提取方法第一实施例的流程示意图；

图3为本发明泊车典型场景的提取方法第二实施例的流程示意图；

图4为本发明泊车典型场景的提取方法第三实施例的流程示意图；

图5为本发明泊车典型场景的提取装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的泊车典型场景的提取设备结构示意图。

如图1所示，该泊车典型场景的提取设备可以包括：处理器1001，例如中央处理器，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口。存储器1005可以是高速的随机存取存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对泊车典型场景的提取设备的限定，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。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及泊车典型场景的提取程序。

在图1所示的泊车典型场景的提取设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述泊车典型场景的提取设备通过处理器1001调用存储器1005中存储的泊车典型场景的提取程序，并执行本发明实施例提供的泊车典型场景的提取方法。

基于上述硬件结构，提出本发明泊车典型场景的提取方法的实施例。

参照图2，图2为本发明泊车典型场景的提取方法第一实施例的流程示意图，提出本发明泊车典型场景的提取方法第一实施例。

在第一实施例中，所述泊车典型场景的提取方法包括以下步骤：

步骤S10：获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果。

应理解的是，本实施例的执行主体是提取泊车典型场景系统。该提取泊车典型场景系统包括数据采集模块和处理器模块，其中数据采集模块用来对泊车位数据进行采集，可以是视觉传感器，也可以是具有采集场景参数的其它装置。处理器模块是用来实现泊车典型场景进行提取过程中对流程进行处理的模块，数据处理器模块可以是电脑、服务器等装置。

需要说明的是，场景参数是当前泊车位数据中的参数，用来表示泊车位状态的参数，例如泊车位的方向，大小等。权重值是具体的场景参数对比车位影响程度大小体现的数值。场景参数筛选结果是符合预设条件的场景参数组成的集合。

可以理解的是，提取泊车典型场景系统对泊车位数据进行采集，采集到的参数中可以包括泊车位场景之外的参数。提取泊车典型场景系统将采集到的场景内的参数进行获取用来作为提取泊车位典型场景的基础。在得到场景参数之后，通过当前参数类型对场景参数进行权重值计算，具体计算当前场景参数对泊车位的影响程度，例如比车位的尺寸参数对泊车位的影响较大，相应的其权重值也就越大。根据得到的权重值对场景参数进行筛选，排除权重值很小的参数，例如通过设定一个权重阈值，对场景参数的权重值小于权重阈值的场景参数进行排除，筛选到对泊车位影响程度大的场景参数。

步骤S20：根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果。

需要说明的是，聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。

可以理解的是，在上述步骤中得到场景参数筛选结果，根据这些场景参数计算不同场景之间的距离，将距离最近的场景进行聚类，之后再次对距离最近的场景进行聚类，直至场景的数目到达一定的数值，将得到的场景作为聚类分析结果。例如将这些场景根据场景参数放入坐标系中，以离散变量的方式呈现，将距离最近的两个场景合并成一个新的场景，之后不停的对距离最近的两个场景进行合并，直到最终的是场景数目达到一个预先设定的数目。

步骤S30：根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果。

需要说明的是，聚合系数是反映两个场景合并成一个新的场景的跨越距离程度的系数。如果两个泊车场景的场景参数十分的接近，相应的两个泊车场景之间的距离就非常小，在聚合分析时，需要跨越的距离也就越小，聚合系数也就越大。

可以理解的是，根据聚类分析的过程计算在两个泊车场景在进行合并时记录两个泊车场景之间的距离即合并时跨越的距离，根据两个泊车场景合并时跨越距离的大小将合并时跨越距离过大的合并过程进行排除，即排除不合理的合并。例如将聚合系数在坐标系上以折线图的形式呈现，比较每一次合并相对于上次合并聚合系数增加的幅度，如果某次合并的聚合系数增加的幅度很大，说明这次合并泊车场景的效果并不好，而上一次的泊车场景的合并的效果很好，从而可以确定最终泊车场景聚类结果。

步骤S40：通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结果。

需要说明的是，卡方检验是用途非常广的一种假设检验方法。卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。差异显著性是最终分类结果中不同泊车场景之间差异的显著的体现数值。两个泊车场景的差异显著性越大说明两个泊车场景越趋向像两个泊车典型场景。

可以理解的是，通过卡方检验的方法计算最终泊车场景聚类结果中不同类型场景之间的卡方值，根据卡方值确定不同类型之间泊车场景之间的显著差异性。在实施例实现中，可以确定两个泊车场景的阈值，将两个泊车场景变量和相对应的阈值输入至卡方检验表，根据卡方计算公式可以得到卡方值。

步骤S50：根据所述差异显著性结果提取泊车位典型场景。

需要说明的是，根据差异显著性结果可以得到不同泊车场景之间的差值，根据所述差值将差值很小的泊车场景作为一类，根据该泊车场景的典型特征，确定该类泊车位典型场景。

在本实施例中，提供一种泊车典型场景的提取方法，首先获取泊车位数据中的场景参数，其次对所述场景参数进行筛选，根据场景参数筛选结果对泊车场景进行聚类分析，然后计算所述泊车场景的聚合系数，并根据聚合系数确定最终泊车场景聚类结果，最后通过卡方检验法检验不同类型场景之间的差异显著性，进而根据差异显著性结果提取泊车位典型场景。在现有技术中需要预先指定典型场景的数量，而在本实施例中通过获取场景参数并进行筛选，对泊车场景进行聚类分析聚合系数检验确定最终泊车场景聚类结果，之后通过卡方检验便捷、准确的提取泊车位典型场景。

参照图3，图3为本发明泊车典型场景的提取方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明泊车典型场景的提取方法的第二实施例。

在第二实施例中，所述步骤S10包括：

步骤S101：获取泊车位数据中场景参数和预设场景参数数目。

需要说明的是，预设场景数目是预先设定完成的泊车场景聚类后的类别个数。例如在货物运输的过程，首先得到具体的分类的步骤，将待分类的货物进行分类，将尺寸差距在一定范围内的货物分为一类。在分类之前还需要确认运输货物车辆的数目，确保每个车辆均能运输货物。

可以理解的是，提取泊车典型场景系统对泊车位数据进行采集，采集到的参数中可以包括泊车位场景之外的参数。提取泊车典型场景系统将采集到的场景内的参数进行获取用来作为提取泊车位典型场景的基础。在具体实施过程中可以通过传感器测量，存储器调用等方式获取泊车位数据中场景参数和预设场景参数数目。

步骤S102：根据所述场景参数计算所述场景参数的权重值。

需要说明的是，场景参数的权重值是反映各个场景参数重要程度的数值。具体的计算过程可以按照场景参数对泊车位场景的典型特征的影响程度确定。

步骤S103：根据所述权重值和预设场景参数数目对所述场景参数进行筛选，获取筛选到的场景参数结果。

需要说明的是，在实施例中筛选是从所有的场景参数中筛选出对泊车场景影响较大的场景参数，放弃影响较小的场景参数。场景参数结果是选取到的对泊车场景影响较大的场景参数的集合。

可以理解的是，根据各个场景参数的权重值根据从大到小的顺序进行选取，直至选取到预设数目的场景参数作为场景参数结果。

相应的，所述步骤S20包括：

步骤S2011：根据所述场景参数筛选结果中场景参数的类型对所述场景参数进行分类，获取场景参数分类结果。

需要说明的是，根据上述步骤可以得到场景参数筛选结果，将筛选到的结果按照参数的类型进行分类，将相同类型的参数分为一类得到场景参数分类结果。例如对于场景参数中的泊车位的长、宽高度等数据均为距离数据，将所述数据分为一类。

步骤S2012：根据所述场景参数分类结果计算不同泊车场景的相同类型参数之间的参数距离。

需要说明的是，参数距离是反映不同泊车场景之间相同参数之间差异的数值。在具体计算过程中，可以将一定的差异阈值设置为1，计算该参数之间的参数距离的具体值。

步骤S2013：根据所述参数距离获取泊车场景之间的距离。

需要说明的是，泊车场景之间的距离是不同泊车场景之间的所有类型参数的距离的和值。根据上述方法计算不同泊车场景之间的所有相同类型参数之间的距离，然后将所有的相同类型参数之间的距离进行求和得到泊车场景之间的距离。

步骤S202：根据所述泊车场景之间的距离对泊车场景进行聚类分析，获取聚类分析结果。

需要说明的是，将距离最近的不同泊车场景进行聚类，直至得到预设场景数目的聚类结果。在本实施例中，将距离最近的两个场景合并成一个新的场景，之后不停的对距离最近的两个场景进行合并，直到最终的是场景数目达到一个预先设定的数目。

在本实施例中，提供一种泊车典型场景的提取方法，首先获取泊车位数据中的场景参数，其次对所述场景参数进行筛选，根据场景参数筛选结果对泊车场景进行聚类分析，然后计算所述泊车场景的聚合系数，并根据聚合系数确定最终泊车场景聚类结果，最后通过卡方检验法检验不同类型场景之间的差异显著性，进而根据差异显著性结果提取泊车位典型场景。在现有技术中需要预先指定典型场景的数量，而在本实施例中通过获取场景参数并进行筛选，对泊车场景进行聚类分析聚合系数检验确定最终泊车场景聚类结果，之后通过卡方检验便捷、准确的提取泊车位典型场景。

参照图4，图4为本发明泊车典型场景的提取方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明泊车典型场景的提取方法的第三实施例。

在第三实施例中，所述步骤S30包括：

步骤S301：根据所述聚类分析结果对所述泊车场景的聚合系数进行计算，获得聚合系数计算结果。

需要说明的是，根据聚类分析的结果可以得到泊车场景之间进行聚类时需要跨越的距离即不同泊车场景之间的距离。根据不同泊车场景之间的距离计算泊车场景的聚合系数得到聚合系数计算结果。

步骤S302：通过所述聚合系数计算结果和预设聚合系数阈值进行比较，获得聚合系数比较结果。

需要说明的是，预设聚合系数阈值是预先设定的一个聚合系数的值。在本实施例中，通过不同泊车场景之间的聚合系数与预设聚合系数阈值进行比较，在不同泊车场景之间的聚合系数大于预设聚合系数阈值时，确定该聚类分析过程为符合标准聚合分析过程得到比较结果。

步骤S303：根据所述聚合系数比较结果确定最终场景聚类结果。

需要说明的是，根据不同泊车场景之间的聚合系数与预设聚合系数阈值进行比较结果，将符合聚合分析标准的标准聚合分析过程保存，得到最终场景聚类结果。

其中，所述步骤S40包括：

步骤S401：获取所述最终场景聚类结果中的泊车场景。

需要说明的是，泊车场景是进过聚合分析之后得到的每类具有各自特征的泊车场景。在最终场景聚类结果中提取每一个聚类后得到的新的泊车场景，将提取出的所有泊车场景集合作为泊车场景。

步骤S402：根据所述泊车场景中的场景参数确定所述泊车场景的典型参数。

需要说明的是，典型参数是能够充分体现一类泊车场景的参数，类似于特征参数。聚类后的泊车场景中的相似性很高的场景参数即聚类之前，将每个泊车场景中均包含并且参数值相差很小的参数作为典型参数。

步骤S403：根据所述典型参数通过卡方检验法计算所述最终泊车场景聚类结果中的不同泊车场景之间的差异显著性，获取差异显著性结果。

需要说明的是，通过卡方检验的方法计算最终泊车场景聚类结果中不同类型场景之间的卡方值，根据卡方值确定不同类型之间泊车场景之间的显著差异性。在实施例实现中，可以确定两个泊车场景的阈值，将两个泊车场景变量和相对应的阈值输入至卡方检验表，根据卡方计算公式可以得到卡方值。

相应的，步骤S50包括：

步骤S501：将所述差异显著性结果和预设差异显著性阈值进行比较，获取比较结果。

需要说明的是，预设差异显著性阈值用来体现聚类后得到的不同泊车场景之间的差异值。将差异显著性结果和预设差异显著性阈值进行比较，得到比较结果进而展现不同泊车场景之间的差异。

步骤S502：根据所述比较结果确定所述最终场景聚类的泊车位经典场景。

需要说明的是，根据不同泊车场景之间的差异值确定各个泊车场景的不同工况即不同的泊车场景的状态，根据最终场景聚类结果对每个最终场景聚类的工况进行提取并作为典型工况即典型泊车场景的状态，根据典型工况在具体泊车场景中所占的比例，进而确定最终场景聚类的泊车位经典场景。

在第三实施例中，提供一种泊车典型场景的提取方法，首先获取泊车位数据中的场景参数，其次对所述场景参数进行筛选，根据场景参数筛选结果对泊车场景进行聚类分析，然后计算所述泊车场景的聚合系数，并根据聚合系数确定最终泊车场景聚类结果，最后通过卡方检验法检验不同类型场景之间的差异显著性，进而根据差异显著性结果提取泊车位典型场景。在现有技术中需要预先指定典型场景的数量，而在本实施例中通过获取场景参数并进行筛选，对泊车场景进行聚类分析聚合系数检验确定最终泊车场景聚类结果，之后通过卡方检验便捷、准确的提取泊车位典型场景。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有泊车典型场景的提取程序，所述泊车典型场景的提取程序被处理器执行时实现如上文所述的泊车典型场景的提取方法的步骤。

此外，参照图5，本发明实施例还提出一种泊车典型场景的提取装置，所述装置包括：场景参数筛选模块10、聚类分析模块20、聚类结果获取模块30、差异显著性计算模块40和典型场景提取模块50；

所述场景参数筛选模块10，用于获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果；

所述聚类分析模块20，用于根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果；

所述聚类结果获取模块30，用于根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果；

所述差异显著性计算模块40，用于通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结果；

所述典型场景提取模块50，用于根据所述差异显著性结果提取泊车位典型场景。

在本实施例中，提供一种泊车典型场景的提取装置，首先场景参数筛选模块10获取泊车位数据中的场景参数并对所述场景参数进行筛选，其次聚类分析模块20根据场景参数筛选结果对泊车场景进行聚类分析，然后聚类结果获取模块30计算所述泊车场景的聚合系数，并根据聚合系数确定最终泊车场景聚类结果，最后差异显著性计算模块40通过卡方检验法检验不同类型场景之间的差异显著性，进而典型场景提取模块50根据差异显著性结果提取泊车位典型场景。在现有技术中需要预先指定典型场景的数量，而在本实施例中通过获取场景参数并进行筛选，对泊车场景进行聚类分析聚合系数检验确定最终泊车场景聚类结果，之后通过卡方检验便捷、准确的提取泊车位典型场景。

本发明所述泊车典型场景的提取装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种泊车典型场景的提取方法，其特征在于，所述方法包括以下步骤：

获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果；

根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果；

根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果；

通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结果；

根据所述差异显著性结果提取泊车位典型场景。

2.如权利要求1所述的方法，其特征在于，所述根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果的步骤包括：

根据所述场景参数筛选结果计算不同泊车场景之间的距离，获取泊车场景之间的距离；

根据所述泊车场景之间的距离对泊车场景进行聚类分析，获取聚类分析结果。

3.如权利要求2所述的方法，其特征在于，所述根据所述场景参数筛选结果计算不同泊车场景之间的距离，获取泊车场景之间的距离的步骤包括：

根据所述场景参数筛选结果中场景参数的类型对所述场景参数进行分类，获取场景参数分类结果；

根据所述场景参数分类结果计算不同泊车场景的相同类型参数之间的参数距离；

根据所述参数距离获取泊车场景之间的距离。

4.如权利要求3所述的方法，其特征在于，所述获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果的步骤包括：

获取泊车位数据中场景参数和预设场景参数数目；

根据所述场景参数计算所述场景参数的权重值；

根据所述权重值和预设场景参数数目对所述场景参数进行筛选，获取筛选到的场景参数结果。

5.如权利要求1所述的方法，其特征在于，所述根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果的步骤包括：

根据所述聚类分析结果对所述泊车场景的聚合系数进行计算，获得聚合系数计算结果；

通过所述聚合系数计算结果和预设聚合系数阈值进行比较，获得聚合系数比较结果；

根据所述聚合系数比较结果确定最终场景聚类结果。

6.如权利要求5所述的方法，其特征在于，所述通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结的步骤包括：

获取所述最终场景聚类结果中的泊车场景；

根据所述泊车场景中的场景参数确定所述泊车场景的典型参数；

根据所述典型参数通过卡方检验法计算所述最终泊车场景聚类结果中的不同泊车场景之间的差异显著性，获取差异显著性结果。

7.如权利要求6所述的方法，其特征在于，所述根据所述差异显著性结果提取泊车位典型场景的步骤包括：

将所述差异显著性结果和预设差异显著性阈值进行比较，获取比较结果；

根据所述比较结果确定所述最终场景聚类的泊车位经典场景。

8.一种提取泊车位典型场景设备，其特征在于，所述提取泊车位典型场景设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的提取泊车位典型场景程序，所述提取泊车位典型场景程序被所述处理器执行时实现如权利要求1至7中任一项所述的提取泊车位典型场景方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有提取泊车位典型场景程序，所述提取泊车位典型场景程序被处理器执行时实现如权利要求1至7中任一项所述的提取泊车位典型场景方法的步骤。

10.一种提取泊车位典型场景装置，其特征在于，所述装置包括：场景参数筛选模块、聚类分析模块、聚类结果获取模块、差异显著性计算模块和典型场景提取模块；

所述场景参数筛选模块，用于获取泊车位数据中的场景参数，并根据所述场景参数的权重值对所述场景参数进行筛选，获取场景参数筛选结果；

所述聚类分析模块，用于根据所述场景参数筛选结果对泊车场景进行聚类分析，获取聚类分析结果；

所述聚类结果获取模块，用于根据所述聚类分析结果计算所述泊车场景的聚合系数，并根据所述聚合系数确定最终泊车场景聚类结果；

所述差异显著性计算模块，用于通过卡方检验法计算所述最终泊车场景聚类结果中不同类型场景之间的差异显著性，获取差异显著性结果；

所述典型场景提取模块，用于根据所述差异显著性结果提取泊车位典型场景。

Images