1.一种泊车控制方法，其特征在于，包括：
获取传感器采集的车辆周围的图像信息；
根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络，所述障碍物坐标框与障碍物一一对应，并且所述障碍物的边缘被坐标框包围以使障碍物处坐标框内；
根据所述障碍物类别和障碍物坐标框进行泊车控制。
2.如权利要求1所述的泊车控制方法，其特征在于，所述轻量级卷积神经网络的网络架构模型至少包括16层用于特征提取，并采用至少两个尺度的特征图进行分类和检测框回归。
3.如权利要求2所述的泊车控制方法，其特征在于，
所述16层包括10个卷积层和6个最大池化层，并输出x个通道的特征图以实现障碍物分类和坐标框回归，其中：
x＝(a+b+c)*d，其中，a为坐标框的坐标值数量，b为坐标框的置信度值，c为障碍物类别数量，d为先验框的数量；
所述两个尺度包括，尺寸为a*a的特征图进行障碍物分类，尺寸为a*a的特征图经过上采样后与尺寸为2a*2a的特征图合并以进行坐标框回归，其中，a为根据原图尺寸经过n倍缩小后的数值，n为正整数。
4.如权利要求1至3中任一项所述的泊车控制方法，其特征在于，所述方法还包括障碍物识别模型训练，具体包括：
获取样本数据集、基础卷积神经网络模型以及损失函数；
将所述基础卷积神经网络模型与所述损失函数结合，生成初始卷积神经网络模型；
根据所述样本数据集训练所述初始卷积神经网络模型，生成障碍物识别模型。
5.如权利要求4所述的泊车控制方法，其特征在于，所述样本数据集的构建步骤包括：
获取图像样本集，所述图像样本集包括多个含有障碍物的图像样本；
对每一图像样本分别进行标注处理以生成标注信息，所述标注信息包括障碍物类别信息及障碍物的坐标框坐标信息；
将含有标注信息的图像样本集组合为样本数据集。
6.如权利要求4所述的泊车控制方法，其特征在于，所述损失函数为坐标框坐标误差函数、坐标框交并比误差函数及分类误差函数之和；
所述坐标框坐标误差函数为
其中，xi为坐标框的左上角的横坐标，yi为坐标框的左上角的纵坐标，ωi为坐标框的宽度，hi为坐标框的高度，λcoord为坐标框位置的损失权重，s是指将图像划分成s*s个网格，b为每个网格对应先验框的数量，
所述坐标框交并比误差函数为
其中，ci为第i个坐标框与真实框的交并比，λnoobj为单个网格内没有目标物体的损失权重，
所述分类误差函数为
7.一种泊车控制装置，其特征在于，包括：
获取模块，用于获取传感器采集的车辆周围的图像信息；
识别模块，用于根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络，所述障碍物坐标框与障碍物一一对应，并且所述障碍物的边缘被坐标框包围以使障碍物处坐标框内；
控制模块，用于根据所述障碍物类别和障碍物坐标框进行泊车控制。
8.如权利要求7所述的泊车控制装置，其特征在于，所述识别模块中的所述轻量级卷积神经网络的网络架构模型至少包括16层用于特征提取，并采用至少两个尺度的特征图进行分类和检测框回归。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。