CN115657043A - 一种泊车位状态识别方法、装置及设备 - Google Patents

Abstract

本申请提供了一种泊车位状态识别方法、装置及设备，该方法包括：通过雷达采集待识别泊车位对应的超声波雷达信号；基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量；利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态。通过上述方法，能够在传统超声波雷达信号对于行人等弱反射物体信号较弱，且对于低矮障碍物响应较差的情况下，准确识别泊车位的状态。

Description

一种泊车位状态识别方法、装置及设备

技术领域

本申请涉及自动驾驶技术领域，特别是涉及一种泊车位状态识别方法、装置及设备。

背景技术

智能化是如今汽车行业发展的重要趋势之一，智能驾驶技术与系统将在世界范围内快速发展。超声波雷达与视觉系统是目前智能驾驶应用最为广泛的泊车场景感知传感器。根据二者物理特性，视觉系统更加适合应用于场景语义分析；而超声波雷达对于近距离一般性障碍物探测更具优势。

目前量产超声波雷达主要用于提供相应传感器探测范围内的障碍物位置信息，应用于泊车辅助系统以生成相应避障与泊车位信息。而传统超声波雷达信号对于行人等弱反射物体信号较弱，并且对于低矮障碍物响应较差，导致无法准确识别泊车位的状态。

发明内容

本申请实施例提供了一种泊车位状态识别方法、装置及设备，能够在传统超声波雷达信号对于行人等弱反射物体信号较弱，且对于低矮障碍物响应较差的情况下，准确识别泊车位的状态。

第一方面，本申请实施例提供了一种泊车位状态识别方法，所述方法包括：

通过雷达采集待识别泊车位对应的超声波雷达信号；

基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量；

利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态；

其中，所述泊车位状态识别模型是基于泊车位的样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态进行训练得到的，所述第一样本泊车位状态是基于与样本超声波雷达信号相关联的样本视觉信号对应的第二样本泊车位状态确定的。

在上述实施例中，利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，比传统阈值过滤的超声波车位检测方式鲁棒性更好；将与样本超声波雷达信号相关联的样本视觉信号对应的第二样本泊车位状态作为超声波雷达信号特征向量对应的第一样本泊车位状态，来监督泊车位状态识别模型的训练过程，使得超声波雷达训练监督信号更容易生成。

在一种可能的实施方式中，采用如下方式确定所述第一样本泊车位状态：

针对目标泊车位，获取同一时间摄像头采集的样本视觉信号以及雷达采集的样本超声波雷达信号，所述样本视觉信号包括多帧图像，所述图像中包括至少一个泊车位；

解析所述样本视觉信号，确定所述目标泊车位的样本视觉信号对应的第二样本泊车位状态；

将所述第二样本泊车位状态作为与所述样本视觉信号相关联的样本超声波雷达信号对应的第一样本泊车位状态。

在上述实施例中，基于视觉半自动标注方式生成超声波雷达信号对应的训练标签，使得超声波雷达训练监督信号更容易生成。

在一种可能的实施方式中，所述解析所述目标泊车位的样本视觉信号，确定所述样本视觉信号对应的第二样本泊车位状态，包括：

解析所述样本视觉信号，确定所述样本视觉信号的每帧图像中是否包含所述目标车位的位置信息；

若所述样本视觉信号中连续预设帧数的图像均包含所述目标泊车位的位置信息，则将所述样本视觉信号作为所述目标泊车位对应的视觉信号，并将所述视觉信号对应的第二样本泊车位状态作为该目标泊车位对应的样本泊车位状态。

在上述实施例中，一个视觉信号中包括多帧图像，每帧图像中可能包括多个泊车位的位置信息，对于目标泊车位来说，需要确定连续多帧图像中均包括该目标泊车位的位置信息时，才可以确定该视觉信号是该目标车位对于的视觉信号，该步骤可以将误检的视觉信号筛选掉。

在一种可能的实施方式中，采取如下方式确定与所述样本视觉信号相关联的样本超声波雷达信号：

将所述摄像头与所述雷达的时钟进行同步，以及将所述摄像头与所述雷达的坐标系进行配准；

若通过所述摄像头采集的样本视觉信号与所述雷达采集的样本超声波雷达信号的采集时间相同，且所述样本视觉信号包含的泊车位的位置信息与所述样本超声波雷达信号包含的泊车位的位置信息相匹配，则确定所述样本视觉信号与所述样本超声波雷达信号相关联。

在上述实施例中，将所述摄像头与所述雷达的时钟进行同步，以及将所述摄像头与所述雷达的坐标系进行配准，是为了方便后续确定样本视觉信号与样本超声波雷达信号的采集时间相同，以及样本视觉信号包含的泊车位的位置信息与样本超声波雷达信号包含的泊车位的位置信息相匹配。

在一种可能的实施方式中，所述基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量，包括：

基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量；

将各单位区域对应的超声波雷达信号特征向量进行组合，得到待识别泊车位对应的超声波雷达信号特征向量。

采用上述实施例中的方法，对待识别泊车位进行特征构建，能够明确待识别泊车位对应的超声波雷达信号包含的泊车位的位置信息，以及超声波雷达信号对应的时间信息，为后续确定样本视觉信号与样本超声波雷达信号的采集时间相同，以及样本视觉信号包含的泊车位的位置信息与样本超声波雷达信号包含的泊车位的位置信息相匹配提供便利。

在一种可能的实施方式中，所述基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量，包括：

基于当前采集时刻待泊车辆的位置信息、待泊车辆的姿态信息以及待识别泊车位任意一个单位区域对应的超声波雷达信号进行特征构建，得到所述待泊车位任意一个单位区域对应的超声波雷达信号特征向量。

在上述实施例中，将一个泊车位分为多个单位区域，对任意一个单位区域的超声波雷达信号，并基于当前采集时刻待泊车辆的位置信息、待泊车辆的姿态信息以及待识别泊车位任意一个单位区域对应的超声波雷达信号进行特征构建，能够更好地使该特征向量描述该泊车位的状态。

第二方面，本申请实施例提供了一种泊车位状态识别装置，所述装置包括：

采集模块，用于通过雷达采集待识别泊车位对应的超声波雷达信号；

构建模块，用于基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量；

识别模块，用于利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态；

其中，所述泊车位状态识别模型是基于泊车位的样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态进行训练得到的，所述第一样本泊车位状态是基于与样本超声波雷达信号相关联的样本视觉信号对应的第二样本泊车位状态确定的。

第三方面，本申请实施例提供了一种汽车，所述汽车包括：

雷达，用于采集待识别泊车位对应的超声波雷达信号，将所述超声波雷达信号发送至电子控制单元；

摄像头，用于采集泊车位的样本视觉信号；

电子控制单元，用于接收雷达发送的超声波雷达信号，并基于所述超声波雷达信号进行待识别泊车位的特征构建，及识别待识别泊车位的状态。

第四方面，本申请实施例提供了一种泊车位状态识别设备，所述设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面的方法。

第五方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行上述第一方面的方法。

附图说明

图1为根据本发明示例性实施例示例的一种泊车位状态识别方法应用场景示意图；

图2为根据本发明示例性实施例示例的一种泊车位状态识别方法流程示意图；

图3为根据本发明示例性实施例示例的一种确定泊车位状态流程示意图；

图4为根据本发明示例性实施例示例的一种泊车位状态识别方法具体流程示意图；

图5为根据本发明示例性实施例示例的一种汽车系统示意图；

图6为根据本发明示例性实施例示例的一种泊车位状态识别装置示意图；

图7为根据本发明示例性实施例示例的一种泊车位状态识别设备示意图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为一种泊车位状态识别应用场景示意图，该应用场景中包括：至少一个泊车位(图1中示出的泊车位1、泊车位2和泊车位3)，汽车按照从泊车位3到泊车位1的行驶方向行驶，也可以按照从泊车位1到泊车位3的行驶方向行驶，此处不进行具体限定，汽车上安装至少一个摄像头(图示中示出4个环视摄像头，用白色圆圈表示)及超声波雷达(图示中示出12个超声波雷达，用黑色圆圈表示)，本申请实施例不对摄像头和雷达的数量进行限定。环视摄像头用于采集泊车位对应的视觉信号，超声波雷达用于采集泊车位对应的超声波雷达信号。

为了解决由于传统超声波雷达信号对于行人等弱反射物体信号较弱，并且对于低矮障碍物响应较差，导致无法准确识别泊车位的状态的问题，本申请实施例提供了一种泊车位状态识别方法，如图2所示，所述方法包括：

S201：通过雷达采集待识别泊车位对应的超声波雷达信号。

汽车上包括多个雷达，本申请实施例对用于采集泊车位超声波雷达信号的雷达数量不进行具体限定，雷达的采样频率可以为20HZ，也可以设置为其它频率。

目前车载雷达主要分为3种：激光雷达、毫米波雷达和超声波雷达，在本申请实施例中，以超声波雷达为例。

雷达能够解除驾驶员泊车、倒车和启动车辆时前后左右探视所引起的困扰，并帮助驾驶员扫除视野死角和视线模糊的缺陷，提高驾驶的安全性。雷达安装的位置不同，其作用也不同，例如前后驻车雷达在司机泊车、拥堵时跟车提供很大的帮助，同时能避免不必要事故的发生。因此前后驻车雷达是一项重要的安全辅助装置，当挡位杆挂入倒挡时，倒车雷达自动开始工作，当探头侦测到后方物体时蜂鸣器发出警示，当车辆继续倒车时，警报声音的频率会逐渐加快，最后变为长鸣音；再例如，前雷达也就是前泊车辅助，是汽车泊车或者倒车时的安全辅助装置，由超声波传感器、控制器和显示器等部分组成。能以声音告知驾驶员周围障碍物的情况，解除驾驶员泊车、倒车和起动车辆时前后左右探视所引起的困扰，并帮助驾驶员扫除视野死角和视线模糊的缺陷，提高驾驶的安全性。

S202：基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量。

首先，基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量。

其中，基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，包括：

基于当前采集时刻待泊车辆的位置信息、待泊车辆的姿态信息以及待识别泊车位任意一个单位区域对应的超声波雷达信号进行特征构建，得到所述待泊车位任意一个单位区域对应的超声波雷达信号特征向量。

确定待泊车辆的位置信息具体可以通过如下实施方式：

(1)待泊车辆的姿态信息可以通过公式：ψ_t＝ψ_t-1+ω_tΔt确定，其中，ψ_t-1为上一采集时刻待泊车辆的姿态信息，ω_t为刻待泊车辆的横摆角速度，Δt为当前采集时刻和上一采集时刻之间的时间差。

(2)待泊车辆的位置信息包括待泊车辆的横坐标信息和纵坐标信息，其中，横坐标信息可以通过公式：X_t＝X_t-1+v×Δt×cosψ_t-ΔL确定，X_t为当前采集时刻待泊车辆的横坐标，X_t-1为上一采集时刻待泊车辆的横坐标，ψ_t为待泊车辆的姿态信息(如上述(1)中的公式)，v为车速，可以通过车速传感器获得，Δt为当前采集时刻和上一采集时刻之间的时间差，ΔL为车辆坐标系下超声波雷达安装的纵向偏移量，车辆坐标系可以为雷达的坐标系。

纵坐标信息可以通过公式：

Y_t为当前采集时刻待泊车辆的纵坐标信息，Y_t-1为上一采集时刻待泊车辆的横坐标，v为车速，可以通过车速传感器获得，Δt为当前采集时刻和上一采集时刻之间的时间差，ψ_t为待泊车辆的姿态信息(如上述(1)中的公式)，W为车宽，a为预设值(例如2)。

(3)以雷达采集频率为20HZ为例，即雷达每隔50ms输出一个超声波雷达信号。当汽车行驶过待识别泊车位的各个单位区域时，其车速可以不同。当汽车行驶过任意两个单位区域的车速不同时，对应输出的超声波雷达信号的数量不同，例如，汽车行驶过第一单位区域花费时间为100ms，则对应输出2个两个超声波雷达信号，汽车行驶过第一单位区域花费的时间为50ms，则对应输出1个两个超声波雷达信号，此时可以选取第一单位区域对应的其中任意一个超声波雷达信号作为第一单位区域的超声波雷达信号，也可以将该2个超声波雷达信号进行整合，保证各单位区域对应的超声波雷达信号长度相同即可。利用公式D_t＝[D_1,t,D_2,t,…,D_n,t]，描述任意一个单位区域对应的超声波雷达信号。

利用公式：U_t＝[X_t,Y_t,ψ_t,D_t]^T，将上述(1)中的待泊车辆的姿态信息、(2)中的待泊车辆的横坐标信息和纵坐标信息、及(3)中的待识别泊车位对应的任意一个单位区域的超声波雷达信号进行组合，得到任意一个单位区域对应的超声波雷达信号特征向量(描述子)，U_t为任意一个单位区域对应的超声波雷达信号特征向量，n为超声波雷达信号的信号输出维度(例如4)。

将各单位区域对应的超声波雷达信号特征向量进行组合，得到待识别泊车位对应的超声波雷达信号特征向量。

利用公式：P＝[U₁,U₂,…,U_c]_(n+b)*c，将各单位区域对应的超声波雷达信号特征向量进行组合，c为待识别泊车位单位区域的数量，n为超声波雷达信号的信号输出维度(例如4)，P为待识别泊车位对应的超声波雷达信号特征向量(描述子)，U为任意一个单位区域对应的超声波雷达信号特征向量，b为预设数值(例如3)。若待识别泊车位长为3米，以车位中心点左右各1.5米范围内，每0.25米固定空间间隔采样的U，则c为12。本申请实施例不对泊车位的尺寸、采样间隔、采样起始位置进行具体限定，具体可以根据需求进行设置。

S203：利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态。

所述泊车位状态识别模型是基于泊车位的样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态进行训练得到的，由于超声波雷达增益低等问题，无法直接通过分析超声波雷达信号得到泊车位的状态，因此，基于视觉半自动标注方式生成超声波雷达信号训练标签，解决超声波雷达训练监督信号难以生成的问题。

采用如下实施方式确定所述第一样本泊车位状态，如图3所示：

S301：针对目标泊车位，获取同一时间摄像头采集的样本视觉信号以及雷达采集的样本超声波雷达信号，所述样本视觉信号包括多帧图像，所述图像中包括至少一个泊车位。

车载摄像头安装位置不同，其对应的作用也不相同。环视摄像头：主要安装在车身四周，一般使用4-8个摄像头，可分为前向鱼眼摄像头/左侧鱼眼摄像头/右侧鱼眼摄像头/后向鱼眼摄像头，用于全景环视功能的显示，以及融合泊车功能的视觉感知及目标检测，常用色彩矩阵为RGB，因为有色彩还原的需求；后视摄像头：一般安装在后备箱上，主要是实现泊车辅助。视场角在120°-140°之间，探测距离大概50m；侧前视摄像头：安装在B柱或者车辆后视镜处，该摄像头的视场角一般为90°-100°，探测距离大概在80m左右，这个摄像头的主要作用是检测侧向车辆及自行车；侧后视摄像头：一般安装在车辆前翼子板处，该摄像头的视场角一般为90°左右，探测距离也在80m左右，主要用于车辆变道、汇入其它道路等场景应用。内置摄像头：主要用于监测车内情况，实现驾驶员疲劳提醒以及防盗等功能。由于本申请实施例应用场景为泊车位状态的检测，因此摄像头为环视摄像头或后视摄像头。

S302：解析所述样本视觉信号，确定所述目标泊车位的样本视觉信号对应的第二样本泊车位状态；

通过解析所述样本视觉信号，确定所述样本视觉信号的每帧图像中是否包含所述目标车位的位置信息。

解析样本视觉信号的步骤可以为：首先，需要先对样本视觉信号进行预处理，预处理的步骤包括但不仅限于畸变矫正、感兴趣区域截取、缩放以及亮度归一化；然后将预处理后的样本视觉信号输入神经网络模型进行特征提取，得到泊车位的位置信息(u₁,v₁,u₂,v₂)，其中，(u₁,v₁,u₂,v₂)为泊车位入口对应两个点的坐标，神经网络模型可以为目标监测网络模型，也可以为其它的神经网络模型，此处不进行具体限定。

若所述样本视觉信号中连续预设帧数的图像均包含所述目标泊车位的位置信息，则将所述样本视觉信号作为所述目标泊车位对应的视觉信号，并将所述视觉信号对应的第二样本泊车位状态作为该目标泊车位对应的样本泊车位状态。

样本视觉信号包括多帧图像，每帧图像中可能包含多个泊车位，也就是说，一个样本视觉信号可以作为多个泊车位对应的样本视觉信号。若一个样本视觉信号中连续预设帧数的图像均包含第一目标泊车位和第二目标泊车位的位置信息，而第一目标泊车位的状态为空闲状态，第二目标泊车位的状态为被占状态，则该样本视觉信号和空闲状态与第一目标泊车位相对应，该样本视觉信号和被占状态与第二目标泊车位相对应。

S303：将所述第二样本泊车位状态作为与所述样本视觉信号相关联的样本超声波雷达信号对应的第一样本泊车位状态。

采取如下方式确定与所述样本视觉信号相关联的样本超声波雷达信号：

将所述摄像头与所述雷达的时钟进行同步，以及将所述摄像头与所述雷达的坐标系进行配准。其中，时钟同步采用软件同步的方式，只需要将摄像头与所述雷达时钟同步即可，无需与网络标准时间进行同步。例如，网络标准时间为8:00，摄像头时钟的时间为7:45，雷达时钟的时间为8:10，则将雷达时钟的时间调整为7:45，或将摄像头时钟的时间调整为8:10。坐标系配准的方式为：首先，采用棋盘格标定摄像头安装参数，及通过工装支架标定超声波雷达安装参数，然后基于超声波雷达与相机安装参数配准坐标系。

若通过所述摄像头采集的样本视觉信号与所述雷达采集的样本超声波雷达信号的采集时间相同，且所述样本视觉信号包含的泊车位的位置信息与所述样本超声波雷达信号包含的泊车位的位置信息相匹配，则确定所述样本视觉信号与所述样本超声波雷达信号相关联。

时钟时间同步以及坐标系配准后，就可以确定超声波雷达信号中的泊车位信息是否与视觉信号的泊车位信息相同，若相同，则视觉信号对应的泊车位状态即为超声波雷达信号对应的泊车位状态。然后可以根据样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态训练泊车位状态识别模型。在训练的过程中，可以先将样本超声波雷达信号特征向量输入泊车位状态识别模型，然后确定与所述样本超声波雷达信号相关联的样本视觉信号，进而得到该泊车位的状态，也可以先确定与所述样本超声波雷达信号相关联的样本视觉信号，得到该泊车位的状态，即先将标签对样本超声波雷达信号进行标注，然后再将样本超声波雷达信号特征向量和对应的标签以便输入到泊车位状态识别模型进行训练，此处对训练流程各步骤的顺序不进行具体限定。泊车位状态识别模型可以为卷积神经网络，例如，在训练过程中，将样本超声波雷达信号特征向量输入该网络，经卷积、池化与激活、利用ADAM求解器通过批量梯度下降(默认批量大小为16)的方式求解基于交叉熵的分类损失函数等操作，输出泊车位的状态，本申请实施例不对求解损失函数的方法以及损失函数的类型进行具体限定。最后，训练所得的泊车位状态识别模型进行剪枝、量化等压缩操作后，部署于车载的电子控制单元中。

本申请实施例提供的一种泊车位识别方法包括两部分，一部分是泊车位状态识别模型训练的过程(线下)，另一部分是利用泊车位状态识别模型识别泊车位状态的过程(线上)，具体实施方式如图4所示：

对于线下过程：首先，将所述摄像头与所述雷达的时钟进行同步，以及将所述摄像头与所述雷达的坐标系进行配准，同时通过摄像头采集的样本视觉信号以及通过雷达采集的样本超声波雷达信号；然后，对样本视觉信号进行预处理-确定样本视觉信号对应泊车位的位置信息及状态-标签生成等操作，对样本超声波雷达信号进行预处理得到该样本超声波雷达信号对应的泊车位的位置信息，并关联与样本超声波信号存在关联关系的样本视觉信号，得到样本超声波雷达信号对应的标签，最后根据样本超声波雷达信号及其对应的标签训练泊车位状态识别模型，并对泊车位状态识别模型进行剪枝、量化等压缩操作后，部署在电子控制单元中。

对于线上过程：通过雷达采集待识别泊车位对应的超声波雷达信号，基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量，利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态。

本申请实施例提供的泊车位状态识别方法基于视觉信号半自动标注方式生成超声波雷达信号训练标签，解决超声波雷达训练监督信号难以生成的问题；通过在良好工作场景中训练的神经网络模型，可以泛化用于黑暗场景等恶劣工作场景；而且，针对锥桶等细小障碍物漏报以及地面坑洞等障碍物虚报，基于神经网络深度学习的方法比传统阈值过滤的超声波车位检测方式鲁棒性更好，确保检出障碍物的前提下，抑制虚报。

基于相同的发明构思，本申请实施例还提供了一种泊车位状态识别装置500，如图5所示，所述装置包括：

采集模块501，用于通过雷达采集待识别泊车位对应的超声波雷达信号；

构建模块502，用于基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量；

识别模块503，用于利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态；

其中，所述泊车位状态识别模型是基于泊车位的样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态进行训练得到的，所述第一样本泊车位状态是基于与样本超声波雷达信号相关联的样本视觉信号对应的第二样本泊车位状态确定的。

在一种可能的实施方式中，该装置还包括训练模块，用于采用如下方式确定所述第一样本泊车位状态：

针对目标泊车位，获取同一时间摄像头采集的样本视觉信号以及雷达采集的样本超声波雷达信号，所述样本视觉信号包括多帧图像，所述图像中包括至少一个泊车位；

解析所述样本视觉信号，确定所述目标泊车位的样本视觉信号对应的第二样本泊车位状态；

将所述第二样本泊车位状态作为与所述样本视觉信号相关联的样本超声波雷达信号对应的第一样本泊车位状态。

在一种可能的实施方式中，训练模块还用于所述解析所述目标泊车位的样本视觉信号，确定所述样本视觉信号对应的第二样本泊车位状态，包括：

解析所述样本视觉信号，确定所述样本视觉信号的每帧图像中是否包含所述目标车位的位置信息；

若所述样本视觉信号中连续预设帧数的图像均包含所述目标泊车位的位置信息，则将所述样本视觉信号作为所述目标泊车位对应的视觉信号，并将所述视觉信号对应的第二样本泊车位状态作为该目标泊车位对应的样本泊车位状态。

在一种可能的实施方式中，训练模块还用于采取如下方式确定与所述样本视觉信号相关联的样本超声波雷达信号：

将所述摄像头与所述雷达的时钟进行同步，以及将所述摄像头与所述雷达的坐标系进行配准；

若通过所述摄像头采集的样本视觉信号与所述雷达采集的样本超声波雷达信号的采集时间相同，且所述样本视觉信号包含的泊车位的位置信息与所述样本超声波雷达信号包含的泊车位的位置信息相匹配，则确定所述样本视觉信号与所述样本超声波雷达信号相关联。

在一种可能的实施方式中，构建模块502用于述基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量，包括：

基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量；

将各单位区域对应的超声波雷达信号特征向量进行组合，得到待识别泊车位对应的超声波雷达信号特征向量。

在一种可能的实施方式中，构建模块502还用于基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量，包括：

基于当前采集时刻待泊车辆的位置信息、待泊车辆的姿态信息以及待识别泊车位任意一个单位区域对应的超声波雷达信号进行特征构建，得到所述待泊车位任意一个单位区域对应的超声波雷达信号特征向量。

基于相同的发明构思，本申请实施例还提供了一种汽车，如图6所示，所述汽车包括：

雷达601，用于采集待识别泊车位对应的超声波雷达信号，将所述超声波雷达信号发送至电子控制单元；

摄像头603，用于采集泊车位的样本视觉信号；

电子控制单元602，用于接收雷达发送的超声波雷达信号，并基于所述超声波雷达信号进行待识别泊车位的特征构建，及识别待识别泊车位的状态。

基于相同的发明构思，本申请实施例还提供了一种泊车位状态识别设备，所述设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行泊车位状态识别方法。

如图7所示，所述设备包括处理器701、存储器702和通信接口703；总线704。其中，处理器701、存储器702和通信接口703通过总线704相互连接。

所述处理器701，用于读取存储器702中的指令并执行，以使所述至少一个处理器能够执行上述实施例提供的泊车位状态识别方法。

所述存储器702，用于存储上述实施例提供的泊车位状态识别方法的各种指令以及程序。

所述通信接口703，用于瞬态烟度传感器和电子控制单元之间的数据交互。

总线704可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器701可以是中央处理器(central processing unit，简称CPU)，网络处理器(network processor，简称NP)，图像处理器(Graphic Processing Unit，简称GPU)或者CPU、NP、GPU的任一组合。还可以是硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，简称ASIC)，可编程逻辑器件(programmable logic device，简称PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，简称CPLD)，现场可编程逻辑门阵列(field-programmable gate array，简称FPGA)，通用阵列逻辑(generic array logic，简称GAL)或其任意组合。

另外，本申请还提供一种计算机可读存储介质，所述计算机存储介质存储有计算机程序所述计算机程序用于使计算机执行上述实施例中任何一项所述的方法。

这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种泊车位状态识别方法，其特征在于，所述方法包括：

通过雷达采集待识别泊车位对应的超声波雷达信号；

基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量；

利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态；

其中，所述泊车位状态识别模型是基于泊车位的样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态进行训练得到的，所述第一样本泊车位状态是基于与样本超声波雷达信号相关联的样本视觉信号对应的第二样本泊车位状态确定的。

2.根据权利要求1所述的方法，其特征在于，采用如下方式确定所述第一样本泊车位状态：

针对目标泊车位，获取同一时间摄像头采集的样本视觉信号以及雷达采集的样本超声波雷达信号，所述样本视觉信号包括多帧图像，所述图像中包括至少一个泊车位；

解析所述样本视觉信号，确定所述目标泊车位的样本视觉信号对应的第二样本泊车位状态；

将所述第二样本泊车位状态作为与所述样本视觉信号相关联的样本超声波雷达信号对应的第一样本泊车位状态。

3.根据权利要求2所述的方法，其特征在于，所述解析所述目标泊车位的样本视觉信号，确定所述样本视觉信号对应的第二样本泊车位状态，包括：

解析所述样本视觉信号，确定所述样本视觉信号的每帧图像中是否包含所述目标车位的位置信息；

若所述样本视觉信号中连续预设帧数的图像均包含所述目标泊车位的位置信息，则将所述样本视觉信号作为所述目标泊车位对应的视觉信号，并将所述视觉信号对应的第二样本泊车位状态作为该目标泊车位对应的样本泊车位状态。

4.根据权利要求3所述的方法，其特征在于，采取如下方式确定与所述样本视觉信号相关联的样本超声波雷达信号：

将所述摄像头与所述雷达的时钟进行同步，以及将所述摄像头与所述雷达的坐标系进行配准；

若通过所述摄像头采集的样本视觉信号与所述雷达采集的样本超声波雷达信号的采集时间相同，且所述样本视觉信号包含的泊车位的位置信息与所述样本超声波雷达信号包含的泊车位的位置信息相匹配，则确定所述样本视觉信号与所述样本超声波雷达信号相关联。

5.根据权利要求1所述的方法，其特征在于，所述基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量，包括：

基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量；

将各单位区域对应的超声波雷达信号特征向量进行组合，得到待识别泊车位对应的超声波雷达信号特征向量。

6.根据权利要求5所述的方法，其特征在于，所述基于待识别泊车位各单位区域的超声波雷达信号进行特征构建，得到各单位区域对应的超声波雷达信号特征向量，包括：

基于当前采集时刻待泊车辆的位置信息、待泊车辆的姿态信息以及待识别泊车位任意一个单位区域对应的超声波雷达信号进行特征构建，得到所述待泊车位任意一个单位区域对应的超声波雷达信号特征向量。

7.一种泊车位状态识别装置，其特征在于，所述装置包括：

采集模块，用于通过雷达采集待识别泊车位对应的超声波雷达信号；

构建模块，用于基于所述超声波雷达信号进行待识别泊车位的特征构建，得到待识别泊车位对应的超声波雷达信号特征向量；

识别模块，用于利用泊车位状态识别模型对所述超声波雷达信号特征向量进行识别，得到所述泊车位的状态，所述泊车位的状态包括空闲状态和被占状态；

其中，所述泊车位状态识别模型是基于泊车位的样本超声波雷达信号特征向量及与所述特征向量对应的第一样本泊车位状态进行训练得到的，所述第一样本泊车位状态是基于与样本超声波雷达信号相关联的样本视觉信号对应的第二样本泊车位状态确定的。

8.一种汽车，其特征在于，所述汽车包括：

雷达，用于采集待识别泊车位对应的超声波雷达信号，将所述超声波雷达信号发送至电子控制单元；

摄像头，用于采集泊车位的样本视觉信号；

电子控制单元，用于接收雷达发送的超声波雷达信号，并基于所述超声波雷达信号进行待识别泊车位的特征构建，及识别待识别泊车位的状态。

9.一种泊车位状态识别设备，其特征在于，所述设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任何一项所述的方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行如权利要求1-6任何一项所述的方法。

Images