车位的识别方法、装置及计算机存储介质

技术领域

本申请实施例涉及自动驾驶技术领域，特别涉及一种车位的识别方法、装置及计算机存储介质。

背景技术

随着社会发展，汽车发展越来越智能化，其中，自动泊车就是汽车智能化的表现之一。而汽车自动泊车的关键技术之一就是车位识别。

目前，在进行车位识别时，通常通过图像视觉传感器进行车位识别，或者，通过图像视觉传感器与超声波雷达传感器相结合的方式进行车位识别。在通过图像视觉传感器进行车位识别时，能够通过图像视觉传感器采集图像，并对采集到的图像通过图像算法进行处理，从而识别到车位。在通过图像视觉传感器与超声波雷达传感器进行车位识别时，图像视觉传感器采集图像，超声波雷达传感器能够获取超声波雷达数据，之后将采集的图像与超声波雷达数据进行融合，通过融合后的数据识别车位。

但是，由于通过图像视觉传感器进行车位识别时，需要用到图像算法，而图像算法较为复杂，且在诸如雨雪天气时，采集的图像可能不够清晰，导致对车位识别可能不够准确。而通过图像视觉传感器与超声波雷达传感器相结合的方式进行车位识别时，涉及到数据融合算法，融合算法同样复杂，且两个传感器相结合的方式导致车位识别成本较高。

发明内容

本申请实施例提供了一种车位的识别方法、装置及计算机存储介质，可以用于解决相关技术中车位识别准确性低，或者车位识别成本高的问题。所述技术方案如下：

一方面，提供了一种车位的识别方法，所述方法包括：

通过汽车安装的超声波雷达获取距离样本信息，所述距离样本信息用于描述超声波雷达探测的障碍物与所述汽车之间的距离；

从所述距离样本信息中确定距离样本跳变点，所述距离样本跳变点用于描述位于当前所处环境中的障碍物的起始位置和结束位置；

根据所述距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别所述汽车当前所处环境中的泊车车位。

在一些实施例中，所述从所述距离样本信息中确定距离样本跳变点，包括：

获取所述汽车的车身状态信息；

根据所述车身状态信息，以所述汽车所处空间中任一点为原点，并以所述超声波雷达检测方向为纵轴，以所述汽车行驶方向为横轴构建二维空间坐标系；

对所述距离样本信息进行滤波处理，以滤除所述距离样本信息中不符合距离要求的样本信息；

在所述二维空间坐标系中通过所述滤波后的距离样本信息构建距离曲线；

从所述距离曲线中确定所述距离样本跳变点。

在一些实施例中，所述从所述距离曲线中确定所述距离样本跳变点，包括：

以所述距离曲线中参考分割点为划分依据，将所述距离曲线划分为两个子样本曲线，所述参考分割点为未被选择为划分依据的任一参考点，所述任一参考点为任一距离样本信息对应的点；

针对每个子样本曲线中的每个参考点，确定所述每个参考点的均方误差；

将所述每个子样本曲线中所述每个参考点的均方误差相加，得到残差值，并返回以所述距离曲线中参考分割点为划分依据，将所述距离曲线划分为两个子样本曲线，直至获取到最小残差值，或者，直至获取到N个大于或等于残差阈值的残差值，所述N为大于或等于2的正整数；

当获取到最小残差值时，将所述最小残差值对应的参考点确定为所述距离样本跳变点；或者，当获取到N个大于或等于所述残差阈值的残差值时，将所述N个残差值对应的参考点确定为所述距离样本跳变点。

在一些实施例中，所述根据所述距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别所述汽车当前所处环境中的泊车车位，包括：

根据所述距离样本跳变点，确定所述距离样本跳变点对应的障碍物轮廓；

确定所述障碍物轮廓与存储的汽车模型样本之间的相关性；

当所述障碍物轮廓与所述汽车模型样本之间的相关性小于或等于相关性阈值时，确定所述障碍物轮廓与所述汽车模型样本匹配成功；

将所述汽车模型样本对应的车位类型确定为所述汽车当前所处环境中车位的车位类型；

根据所述车位类型和所述距离样本跳变点，识别所述汽车当前所处环境中的泊车车位。

在一些实施例中，所述根据所述车位类型和所述距离样本跳变点，识别所述汽车当前所处环境中的泊车车位，包括：

根据所述距离样本跳变点，确定待识别空间，所述待识别空间为不存在障碍物的空间；

当所述待识别空间的空间距离大于或等于所述车位类型对应的泊入距离时，确定所述待识别空间为所述汽车当前所处环境中的泊车车位。

另一方面，提供了一种车位的识别装置，所述装置包括：

获取模块，用于通过汽车安装的超声波雷达获取距离样本信息，所述距离样本信息用于描述超声波雷达探测的障碍物与所述汽车之间的距离；

确定模块，用于从所述距离样本信息中确定距离样本跳变点，所述距离样本跳变点用于描述位于当前所处环境中的障碍物的起始位置和结束位置；

识别模块，用于根据所述距离样本跳变点识别所述汽车当前所处环境中的泊车车位。

在一些实施例中，所述确定模块包括：

获取子模块，用于获取所述汽车的车身状态信息；

第一构建子模块，用于根据所述车身状态信息，以所述汽车所处空间中任一点为原点，并以所述超声波雷达检测方向为纵轴，以所述汽车行驶方向为横轴构建二维空间坐标系；

滤波子模块，用于对所述距离样本信息进行滤波处理，以滤除所述距离样本信息中不符合距离要求的样本信息；

第二构建子模块，用于在所述二维空间坐标系中通过所述滤波后的距离样本信息构建距离曲线；

第一确定子模块，用于从所述距离曲线中确定所述距离样本跳变点。

在一些实施例中，所述第一确定子模块用于：

以所述距离曲线中参考分割点为划分依据，将所述距离曲线划分为两个子样本曲线，所述参考分割点为未被选择为划分依据的任一参考点，所述任一参考点为任一距离样本信息对应的点；

针对每个子样本曲线中的每个参考点，确定所述每个参考点的均方误差；

将所述每个子样本曲线中所述每个参考点的均方误差相加，得到残差值，并返回以所述距离曲线中参考分割点为划分依据，将所述距离曲线划分为两个子样本曲线，直至获取到最小残差值，或者，直至获取到N个大于或等于残差阈值的残差值，所述N为大于或等于2的正整数；

当获取到最小残差值时，将所述最小残差值对应的参考点确定为所述距离样本跳变点；或者，当获取到N个大于或等于所述残差阈值的残差值时，将所述N个残差值对应的参考点确定为所述距离样本跳变点。

在一些实施例中，所述识别模块包括：

第二确定子模块，用于根据所述距离样本跳变点，确定所述距离样本跳变点对应的障碍物轮廓；

第三确定子模块，用于确定所述障碍物轮廓与存储的汽车模型样本之间的相关性；

第四确定子模块，用于当所述障碍物轮廓与所述汽车模型样本之间的相关性小于或等于相关性阈值时，确定所述障碍物轮廓与所述汽车模型样本匹配成功；

第五确定子模块，用于将所述汽车模型样本对应的车位类型确定为所述汽车当前所处环境中车位的车位类型；

识别子模块，用于根据所述车位类型和所述距离样本跳变点，识别所述汽车当前所处环境中的泊车车位。

在一些实施例中，所述识别子模块用于：

根据所述距离样本跳变点，确定待识别空间，所述待识别空间为不存在障碍物的空间；

当所述待识别空间的空间距离大于或等于所述车位类型对应的泊入距离时，确定所述待识别空间为所述汽车当前所处环境中的泊车车位。

另一方面，提供了一种计算机存储介质，所述计算机存储介质上存储有指令，所述指令被处理器执行时实现上述车位的识别方法中的任一步骤。

本申请实施例提供的技术方案带来的有益效果至少包括：

在本申请实施例中，能够通过超声波雷达的距离样本信息确定距离样本跳变点，由于距离样本跳变点能够描述位于当前所处环境中的障碍物的起始位置和结束位置，且能够根据该距离样本跳变点和汽车模型样本进行车位类型匹配，从而识别车位，降低了车位识别成本，提高了车位识别的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种车位的识别系统架构示意图；

图2是本申请实施例提供的一种车位的识别方法流程图；

图3是本申请实施例提供的另一种车位的识别方法流程图；

图4是本申请实施例提供的一种距离样本信息在二维空间坐标系中示意图；

图5是本申请实施例提供的一种车位的识别装置的结构示意图；

图6是本申请实施例提供的一种确定模块的结构示意图；

图7是本申请实施例提供的一种识别模块的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在对本申请实施例提供的一种车位的识别方法进行详细地解释说明之前，先对本申请实施例提供的一种应用场景和系统架构进行解释说明。

首先，对本申请实施例提供的一种应用场景进解释说明。

随着汽车智能化发展，准确是被车位已成为汽车智能化的基础表现之一。由于汽车在进行车位识别时，如果是通过图像视觉传感器进行车位识别，那么由于需要使用图像算法且图像算法较为复杂，从而导致车位识别过程复杂，而且在诸如雨雪天气时，采集的图像可能不够清晰，导致对车位识别可能不够准确。如果是通过图像视觉传感器与超声波雷达传感器相结合的方式进行车位识别时，由于会涉及到数据融合算法，且融合算法同样复杂，且两个传感器相结合的方式导致车位识别成本较高。

基于这样的应用场景，本申请实施例提供了一种可靠性高且识别过程简洁的车位的识别方法。

接下来对本申请提供的一种系统架构进行解释说明。

图1是本申请实施例提供的一种车位的识别系统架构示意图，参见图1，该系统架构包括超声波雷达1(或者称为超声波雷达传感器)、MCU控制器2和车身控制器3。超声波雷达1与MCU控制器2的引脚进行通讯连接，MCU控制器2与车身控制器3连接。

超声波雷达1用于获取汽车与障碍物之间的距离样本信息，并将获取的距离样本信息发送至MCU控制器2，且超声波雷达能够根据MCU控制器2内部的定时器外设采样超声波传感器引脚ECHO高电平的时间长短来获取汽车与障碍物之间的距离样本信息。车身控制器3用于将汽车的车身状态信息发送至MCU控制器2。MCU控制器2用于接收超声波雷达1发送的距离样本信息和车身控制器3发送的车声状态信息，并根据车身状态信息建立二维空间坐标系，并能够距离样本信息在二维空间坐标系中确定距离样本跳变点，之后根据距离样本跳变点识别汽车当前所处环境中的泊车车位。

作为一种示例，MCU控制器2能够周期性(比如30毫秒)地触发控制指令给超声波雷达1，以使超声波雷达进行障碍物距离测量。MCU控制器2能够通过CAN通讯获取车身控制器3的车身状态信息，比如，获取当前车速、转向角等。

作为一种示例，超声波雷达1的型号能够为HCSR04，且超声波雷达1安装在汽车前保险杠侧面位置以测量汽车车身两侧的障碍物距离。

本领域技术人员应能理解上述系统架构仅为举例，其他现有的或今后可能出现的模块、元器件等如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。

图2是本申请实施例提供的一种车位的识别方法流程图，该车位的识别方法可以包括如下几个步骤：

步骤201：通过汽车安装的超声波雷达获取距离样本信息，该距离样本信息用于描述超声波雷达探测的障碍物与该汽车之间的距离。

步骤202：从该距离样本信息中确定距离样本跳变点，该距离样本跳变点用于描述位于当前所处环境中的障碍物的起始位置和结束位置。

步骤203：根据该距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别该汽车当前所处环境中的泊车车位。

在本申请实施例中，能够通过超声波雷达的距离样本信息确定距离样本跳变点，由于距离样本跳变点能够描述位于当前所处环境中的障碍物的起始位置和结束位置，且能够根据该距离样本跳变点和汽车模型样本进行车位类型匹配，从而识别车位，降低了车位识别成本，提高了车位识别的准确性。

在一些实施例中，从该距离样本信息中确定距离样本跳变点，包括：

获取该汽车的车身状态信息；

根据该车身状态信息，以该汽车所处空间中任一点为原点，并以该超声波雷达检测方向为纵轴，以该汽车行驶方向为横轴构建二维空间坐标系；

对该距离样本信息进行滤波处理，以滤除该距离样本信息中不符合距离要求的样本信息；

在该二维空间坐标系中通过该滤波后的距离样本信息构建距离曲线；

从该距离曲线中确定该距离样本跳变点。

在一些实施例中，从该距离曲线中确定该距离样本跳变点，包括：

以该距离曲线中参考分割点为划分依据，将该距离曲线划分为两个子样本曲线，该参考分割点为未被选择为划分依据的任一参考点，该任一参考点为任一距离样本信息对应的点；

针对每个子样本曲线中的每个参考点，确定该每个参考点的均方误差；

将该每个子样本曲线中该每个参考点的均方误差相加，得到残差值，并返回以该距离曲线中参考分割点为划分依据，将该距离曲线划分为两个子样本曲线，直至获取到最小残差值，或者，直至获取到N个大于或等于残差阈值的残差值，该N为大于或等于2的正整数；

当获取到最小残差值时，将该最小残差值对应的参考点确定为该距离样本跳变点；或者，当获取到N个大于或等于该残差阈值的残差值时，将该N个残差值对应的参考点确定为该距离样本跳变点。

在一些实施例中，根据该距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别该汽车当前所处环境中的泊车车位，包括：

根据该距离样本跳变点，确定该距离样本跳变点对应的障碍物轮廓；

确定该障碍物轮廓与存储的汽车模型样本之间的相关性；

当该障碍物轮廓与该汽车模型样本之间的相关性小于或等于相关性阈值时，确定该障碍物轮廓与该汽车模型样本匹配成功；

将该汽车模型样本对应的车位类型确定为该汽车当前所处环境中车位的车位类型；

根据该车位类型和该距离样本跳变点，识别该汽车当前所处环境中的泊车车位。

在一些实施例中，根据该车位类型和该距离样本跳变点，识别该汽车当前所处环境中的泊车车位，包括：

根据该距离样本跳变点，确定待识别空间，该待识别空间为不存在障碍物的空间；

当该待识别空间的空间距离大于或等于该车位类型对应的泊入距离时，确定该待识别空间为该汽车当前所处环境中的泊车车位。

上述所有可选技术方案，均可按照任意结合形成本申请的可选实施例，本申请实施例对此不再一一赘述。

图3是本申请实施例提供的一种车位的识别方法流程图，本实施例以该车位的识别方法应用于汽车中进行举例说明，该车位的识别方法可以包括如下几个步骤：

步骤301：汽车通过安装的超声波雷达获取距离样本信息。

需要说明的是，距离样本信息用于描述超声波雷达探测的障碍物与汽车之间的距离。

作为一种示例，汽车能够在接收到搜索指令时，通过安装的超声波雷达获取距离样本信息。

需要说明的是，该搜索指令为驾驶员在需要进行泊车时，通过指定操作作用在汽车上时触发。该指定操作能够为点击操作、滑动操作、语音操作、拨动操作等等。

作为一种示例，汽车还能够在检测到汽车进入停车场后，通过安装的超声波雷达获取距离样本信息。

需要说明的是，汽车在通过超声波雷达获取距离样本信息时，超声波雷达能够每个指定时间间隔获取一次距离样本信息，该指定时间间隔能够事先进行设置，比如，该指定时间间隔能够为30毫秒等等。

在一些实施例中，汽车能够通过定位装置对自身位置进行定位，以获取当前所处位置，并根据当前所处位置确定是否进入停车场。

步骤302：汽车从距离样本信息中确定距离样本跳变点。

需要说明的是，距离样本跳变点用于描述位于当前所处环境中的障碍物的起始位置和结束位置。

作为一种示例，汽车从距离样本信息中确定距离样本跳变点的操作包括：获取汽车的车身状态信息；根据车身状态信息，以汽车所处空间中任一点为原点，并以超声波雷达检测方向为纵轴，以汽车行驶方向为横轴构建二维空间坐标系；对距离样本信息进行滤波处理，以滤除距离样本信息中不符合距离要求的样本信息；在二维空间坐标系中通过滤波后的距离样本信息构建距离曲线；从距离曲线中确定距离样本跳变点。

为了便于确定距离样本跳变点，汽车能够构建二维空间坐标系，由于超声波雷达通常安装在汽车前保险杠侧面位置，因此汽车能够获取汽车所处空间中任一点为原点，并以超声波雷达检测方向为纵轴，以汽车行驶方向为横轴构建二维空间坐标系。比如，汽车能够以车声中心为原点建立二维空间坐标系。

由于在停车场中可能存在草丛等物体，这些物体之间存在较大间隙，当汽车的超声波雷达发射雷达波进行距离检测时，可能在发射雷达波后无法接收到反射回来的波，从而导致距离样本信息中存在异常数据，或者，汽车当前所处环境中可能或存在一些不平整物体，这些不平整物体可能会导致超声波雷达采集到的一些杂波信息，这些杂波信息可能会影响汽车对泊车车位的识别，因此，汽车能够对距离样本信息进行滤波处理，以滤除距离样本信息中不符合距离要求的样本信息。

需要说明的是，该距离要求能够事先按照需求进行设置，比如，该距离要求能够为距离样本信息为能够接收到反射波的样本信息，和/或，该距离样本信息为大于第一距离阈值且小于第二距离阈值的样本信息等等，该第一距离阈值小于第二距离阈值，且第一距离阈值和第二距离阈值均能够事先进行设置。

在一些实施例中，汽车还能够先根据车身状态信息，以汽车所处空间中任一点为原点，并以超声波雷达检测方向为纵轴，以汽车行驶方向为横轴构建二维空间坐标系；然后在二维空间坐标系中根据采集到的的距离样本信息构建样本曲线，之后对样本曲线进行滤波处理，从而得到距离曲线。

在一些实施例中，汽车从距离曲线中确定距离样本跳变点的操作至少包括：对距离曲线进行全局搜索，得到距离样本跳变点。

作为一种示例，汽车从距离曲线中确定距离样本跳变点的操作还能够包括：以距离曲线中参考分割点为划分依据，将距离曲线划分为两个子样本曲线，该参考分割点为未被选择为划分依据的任一任一参考点，任一参考点为任一距离样本信息对应的点；针对每个子样本曲线中的每个参考点，确定每个参考点的均方误差；将每个子样本曲线中每个参考点的均方误差相加，得到残差值，并返回以距离曲线中参考分割点为划分依据，将距离曲线划分为两个子样本曲线，直至获取到最小残差值，或者，直至获取到N个大于或等于残差阈值的残差值，N为大于或等于2的正整数；当获取到最小残差值时，将最小残差值对应的参考点确定为距离样本跳变点；或者，当获取到N个大于或等于残差阈值的残差值时，将N个残差值对应的参考点确定为距离样本跳变点。

由于汽车获取的距离样本信息包括大量数据，为了提高确定距离样本跳变点的效率，汽车能够以距离曲线中参考分割点为划分依据，将距离曲线划分为两个子样本曲线。

由于经过距离样本跳变点后，距离曲线的统计特征，比如平均值将会出现突变，在距离样本跳变点附近将会出现一个统计均方根误差的极大跳变。因此，为了确定距离样本跳变点，汽车能够针对每个子样本曲线中的每个参考点，确定每个参考点的均方误差，并将每个子样本曲线中每个参考点的均方误差相加，得到残差值。

作为一种示例，当将距离曲线划分为两个子样本曲线，且距离曲线中第m个点为参考分割点时，按照参考点采集顺序，将第1个到第m个参考点之间的曲线(不包括第m个参考点)称为第一子样本曲线，将第m个到第n个参考点之间的曲线(包括第n个参考点)称为第二子样本曲线。那么汽车能够通过下述第一公式确定第二子样本曲线的残差值。

需要说明的是，在上述第一公式(1)中，n为距离曲线中参考点的个数，m为n个参考点中第m个参考点，x

在一种实施环境中，当存在n个距离样本信息时，也即是，当存在n个参考点时，n个参考点的距离信息分别为x

由于当前所处环境中存在障碍物时，障碍物存在起始位置和结束为止，且不止存在一个障碍物，因此，为了确定所有距离样本跳变点，汽车需要改变参考分割点位置，并重复确定每个子样本曲线的残差值，以确定最小残差值，或者，为了获取多个距离样本跳变点，还能够设置残差阈值，从而获取N个大于或等于残差阈值的残差值，继而获取到N个距离样本跳变点。

需要说明的是，该残差阈值能够事先根据需求进行设置，比如，该残差阈值能够为15m、20m等等。

在一种实施环境中，参见图4(a)，汽车能够在二维空间坐标系中根据采集到的距离样本信息构建样本曲线，然后，汽车对该样本曲线进行滤波处理，得到如图4(b)所示的距离曲线，汽车从该距离曲线中确定5个距离样本跳变点，参见如图4(c)，这5个距离样本跳变点为通过超声波雷达扫描到的障碍物的起始位置和结束位置。

值得说民多个，由于采用了距离样本信息的统计特征信息提取，能够对障碍物起始位置识别更加精确，提高了车位位置信息的精确度。

步骤303：汽车根据距离样本跳变点识别汽车当前所处环境中的泊车车位。

由于有些环境中虽然存在空地，但是这些空地可能为人行道等不可进行泊车的空间，此时，就算汽车识别出当前环境中存在能够泊车的空间，这些空间也不为泊车车位，随意泊车可能会造成交通违章。因此，汽车需要确定环境中泊车车位的有效性，也即是，汽车需要确定当前所处环境中的空地为泊车车位而不是人行道等不允许进行泊车的空间。而通常情况下，当当前所处环境中已经存在泊入停车位的其他汽车时，大概率上能够确定当前所处环境中的空地为有效的泊车车位，且这些已泊入车位的其他汽车在距离变化上存在一定规律。因此，为了确定汽车当前所处环境中存在有效的泊车车位，汽车能够根据距离样本跳变点识别汽车当前所处环境中的泊车车位。

作为一种示例，汽车能够直接根据该距离样本跳变点时别汽车当前所处环境中泊车车位，也能够根据该距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别该汽车当前所处环境中的泊车车位。

作为一种示例，汽车根据该距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别该汽车当前所处环境中的泊车车位的操作至少包括：根据距离样本跳变点，确定距离样本跳变点对应的障碍物轮廓；确定障碍物轮廓与存储的汽车模型样本之间的相关性；当障碍物轮廓与汽车模型样本之间的相关性小于或等于相关性阈值时，确定障碍物轮廓与汽车模型样本匹配成功；将汽车模型样本对应的车位类型确定为汽车当前所处环境中车位的车位类型；根据车位类型和距离样本跳变点，识别汽车当前所处环境中的泊车车位。

由于当前所处环境中的障碍物可能为其他汽车也可能不为其他汽车，当当前所处环境中的障碍物为其他汽车时，能够说明当前所处环境中的空地为泊车车位而不是人行道等不允许进行泊车的空间。因此，汽车能够根据距离样本跳变点对应的障碍物轮廓，并在障碍物轮廓与汽车模型样本之间的相关性大于或等于相关性阈值时，确定障碍物轮廓与汽车模型样本匹配成功。

需要说明的是，相关性阈值能够根据需求事先进行设置，比如，相关性阈值能够为90％、95％、99％等等。

由于当障碍物轮廓与汽车模型样本之间的相关性大于或等于相关性阈值时，说明障碍物轮廓为汽车轮廓，障碍物为其他汽车，因此，汽车能够将汽车模型样本对应的车位类型确定为汽车当前所处环境中车位的车位类型。

需要说明的是，汽车模型样本以及汽车模型样本对应的车位类型均能够事先设置并进行存储。车位类型包括垂直车位、水平车位等等。

在一种实施环境中，参见图4(d)，汽车将障碍物轮廓与汽车模型样本之间进行相关性计算后，能够得到如图4(d)所示的相关性示意图，通过图4(d)能够确定当前所处环境中存在3辆已泊入车位的其他汽车。

作为一种示例，汽车根据车位类型和距离样本跳变点，识别汽车当前所处环境中的泊车车位的操作至少包括：根据距离样本跳变点，确定待识别空间，该待识别空间为不存在障碍物的空间；当待识别空间的空间距离大于或等于车位类型对应的泊入距离时，确定待识别空间为汽车当前所处环境中的泊车车位。

由于距离样本跳变点用于描述位于当前所处环境中的障碍物的起始位置和结束位置，因此，汽车能够根据距离样本跳变点确定任意相邻两个障碍物之间是否存在能够允许泊车的空间，也即是，汽车能够根据距离样本跳变点，确定待识别空间。

在一些实施例中，汽车能够确定任一距离样本跳变点为障碍物的起始位置还是结束位置，比如，当检测到距离样本跳变点为距离由小变大的跳变点时，该距离样本跳变点为障碍物起始位置的点，当检测到距离样本跳变点为距离由大变小的跳变点时，确定该距离样本跳变点为障碍物的结束位置；根据距离样本跳变点，汽车能够检测相邻两个障碍物之间的空间距离；当相邻两个障碍物之间的距离(也即是待识别空间的空间距离)大于或等于车位类型对应的泊入距离时，确定该待识别空间为汽车当前所处环境中的泊车车位。

需要说明的是，根据车位类型的不同，比如泊入距离也不同，比如，当车位类型为水平车位时，对应的泊入距离为6米、6.5米等等，当车位类型为垂直车位时，对应的泊入距离为2米、2.1米等等。

值得说明的是，由于能够将障碍物轮廓与汽车模型样本进行相关性计算，从而实现大量汽车模型样本的快速匹配，且能够适应不同的车位搜索场景，简化了障碍物轮廓的特征提取，减少了计算量。

步骤304：在识别出泊车车位后，汽车泊入识别出的泊车车位。

作为一种示例，汽车在识别出泊车车位后，能够按照泊车车位所处位置和汽车当前所处位置规划泊车路径，并按照泊车路径控制汽车进行自动泊车。

作为一种示例，汽车在识别出泊车车位后，能够通过提示信息提示泊车车位所处位置，从而驾驶员能够按照提示信息的提示驾驶汽车泊入泊车车位。

需要说明的是，该提示信息能够为语音、文字及图像结合的提示信息。

在本申请实施例中，汽车能够对超声波雷达的距离样本信息进行统计特征提取，从而确定距离样本跳变点，由于距离样本跳变点能够描述位于当前所处环境中的障碍物的起始位置和结束位置，因此，根据距离样本跳变点，将障碍物轮廓与汽车模型样本进行相关性计算即可有效识别车位，从而降低了车位识别成本，提高了车位识别的准确性。

图5是本申请实施例提供的一种车位的识别装置的结构示意图，该车位的识别装置可以由软件、硬件或者两者的结合实现。该车位的识别装置可以包括：获取模块501、确定模块502和识别模块503。

获取模块501，用于通过汽车安装的超声波雷达获取距离样本信息，所述距离样本信息用于描述超声波雷达探测的障碍物与所述汽车之间的距离；

确定模块502，用于从所述距离样本信息中确定距离样本跳变点，所述距离样本跳变点用于描述位于当前所处环境中的障碍物的起始位置和结束位置；

识别模块503，用于根据所述距离样本跳变点和存储的汽车模型样本进行车位类型匹配，以识别所述汽车当前所处环境中的泊车车位。

在一些实施例中，参见图6，所述确定模块502包括：

获取子模块5021，用于获取所述汽车的车身状态信息；

第一构建子模块5022，用于根据所述车身状态信息，以所述汽车所处空间中任一点为原点，并以所述超声波雷达检测方向为纵轴，以所述汽车行驶方向为横轴构建二维空间坐标系；

滤波子模块5023，用于对所述距离样本信息进行滤波处理，以滤除所述距离样本信息中不符合距离要求的样本信息；

第二构建子模块5024，用于在所述二维空间坐标系中通过所述滤波后的距离样本信息构建距离曲线；

第一确定子模块5025，用于从所述距离曲线中确定所述距离样本跳变点。

在一些实施例中，所述第一确定子模块5025用于：

以所述距离曲线中参考分割点为划分依据，将所述距离曲线划分为两个子样本曲线，所述参考分割点为未被选择为划分依据的任一参考点，所述任一参考点为任一距离样本信息对应的点；

针对每个子样本曲线中的每个参考点，确定所述每个参考点的均方误差；

将所述每个子样本曲线中所述每个参考点的均方误差相加，得到残差值，并返回以所述距离曲线中参考分割点为划分依据，将所述距离曲线划分为两个子样本曲线，直至获取到最小残差值，或者，直至获取到N个大于或等于残差阈值的残差值，所述N为大于或等于2的正整数；

当获取到最小残差值时，将所述最小残差值对应的参考点确定为所述距离样本跳变点；或者，当获取到N个大于或等于所述残差阈值的残差值时，将所述N个残差值对应的参考点确定为所述距离样本跳变点。

在一些实施例中，参见图7，所述识别模块503包括：

第二确定子模块5031，用于根据所述距离样本跳变点，确定所述距离样本跳变点对应的障碍物轮廓；

第三确定子模块5032，用于确定所述障碍物轮廓与存储的汽车模型样本之间的相关性；

第四确定子模块5033，用于当所述障碍物轮廓与所述汽车模型样本之间的相关性小于或等于相关性阈值时，确定所述障碍物轮廓与所述汽车模型样本匹配成功；

第五确定子模块5034，用于将所述汽车模型样本对应的车位类型确定为所述汽车当前所处环境中车位的车位类型；

识别子模块5035，用于根据所述车位类型和所述距离样本跳变点，识别所述汽车当前所处环境中的泊车车位。

在一些实施例中，所述识别子模块5035用于：

根据所述距离样本跳变点，确定待识别空间，所述待识别空间为不存在障碍物的空间；

当所述待识别空间的空间距离大于或等于所述车位类型对应的泊入距离时，确定所述待识别空间为所述汽车当前所处环境中的泊车车位。

在本申请实施例中，汽车能够对超声波雷达的距离样本信息进行统计特征提取，从而确定距离样本跳变点，由于距离样本跳变点能够描述位于当前所处环境中的障碍物的起始位置和结束位置，因此，根据距离样本跳变点，将障碍物轮廓与汽车模型样本进行相关性计算即可有效识别车位，从而降低了车位识别成本，提高了车位识别的准确性。

需要说明的是：上述实施例提供的车位的识别装置在识别车位时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车位的识别装置与车位的识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述实施例提供的车位的识别法。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在服务器上运行时，使得服务器执行上述实施例提供的车位的识别方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请实施例的较佳实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。