隨著AI人工智能、大數據算法、算力技術的成熟，“智慧+”已成為人們改造傳統行業的主要手段。特別是在路內停車領域，“智慧”使對路內停車的有效管理成為可能。自2018年以來，“智慧+停車”逐漸成為停車行業的熱門詞匯，特別是經過2019年全國停車項目的興起以及新基建概念的提出，一時間市場上涌出了各種“智慧”停車方案，其中不乏地磁、視頻樁、中位視頻、高位視頻、北斗等多技術并存的解決方案。但，什么才是“智慧的”停車？這可能還需要進一步地透視停車的本質才可厘清。

從客戶的需求看，城市道路停車的業主——政府對停車的需要不僅僅是為車輛找到一個停放的空間，而是以改善城市交通、提供良好出行體驗為目的，基于激活泛交通體系的科學規劃為前提，以智能技術運用為運營手段，以健全的社會懲戒體系為輔助管理措施的系統性工程。

因此，談智慧停車，如果目標在于管理收費、管理收費員，則屬于智慧停車初級階段，稱之為停車1.0方案；如果目標在于管理停車事件，即準確識別停車出入位行為、完成繳費、通過有效證據體系避免逃費行為等，則屬于停車2.0方案；只有把停車放到智慧交通管理體系化工程中，才能創造出適應未來的智慧停車3.0方案，即通過自我進化不斷適應復雜交通場景的智慧停車解決方案。

從這個角度看，可進化的智慧停車解決方案構成要件應有四個方面：基于深度學習人工智能技術的城市感知端、基于特征工程的數據集散棧、基于車路協同的智能駕駛以及基于知識圖譜人工智能技術的運營決策端。

基于深度學習技術的城市智能感知端

  智能感知是智慧神經系統的起點。“智慧”，本意上是指生物所具有的基于神經器官一種高級的綜合能力，包括感知、理解、聯想、邏輯、辨別、分析、判斷、決定等多項內容。智慧的起點在于感知。從感知的信源獲取角度，人類對外界事物的感知85%來自于視覺。同樣，基于類人仿生學特征的智慧停車，視覺感知也是城市智能感知的重要手段。因此，耀停車從開始研發解決方案時就把重點放在基于高位視頻的大傾角、超廣角的多目標視覺識別上。

  首先，是基于不同的場景，制定上百種針對性的場景優化方案和算法。在現實中，停車的場景是多樣、變化的，可能路過的行人、車輛，樹木的搖動，都會對視頻識別造成很大的影響。解決問題的關鍵在于對不同場景中的多目標進行準確識別。基于CNN深度學習，在給定的視頻圖像中，耀停車的算法已經能夠識別出小汽車、廂式貨車、卡車、工程車、巴士（客車）、三輪車、行人、騎行者、自行車、電瓶車等10余類目標，并給出每一個目標在視頻圖像中的位置。對于機動車的識別，我們在檢測整車的基礎上，還增加了車頭車尾等更多細部的檢測，以解決距離較遠的相鄰車位之間重疊度的問題。

其次，構建全場景的3D模型和感知。車牌識別只是車輛身份鑒別的一個方面，僅僅是其中的一項結果。我們在車輛運動的過程中就已經能夠捕獲車牌，并做出識別。在一個具體的環境中，我們的算法對車輛身份的識別就如同人觀察識別行為一樣，會對空間中的多種特征進行觀察，而不是始終緊盯著車牌。因此，對周圍環境的3D建模和感知，有助于系統的自我學習優化，從而排除各類環境干擾。

再者，基于上述3D建模和感知的車輛行為動態識別分析。我們不僅僅是識別靜態車輛，同時也識別車輛的動態行為。車輛進入視野，我們會進行多目標跟蹤，在跟蹤的過程中，判斷車輛與停車、交通之間的聯系。根據車輛的行為邏輯，我們甚至可以對車輛進行行為預測。車輛停入車位后，算法還不間斷的對所有車位及車輛身份（不僅僅限于車輛牌照）進行識別，實時比對車輛是否更換，避免因其他車輛干擾或者遮擋時，不能及時捕獲到車輛離位。

  此外，應對極端條件下的場景優化識別也是關鍵。通用主流相機一般都是具有非常高分辨率的傳感器，但是在一些極端環境下，其通用自動工作機制不完善，需要通過算法干預對成像參數進行調整，比如逆光、大霧、低照度等，算法通過識別這些場景，協同自動調整攝像機成像參數，比如自動開啟強光抑制，自動開啟寬動態，在低照度環境下自動開啟3D降噪，自動開啟透霧等等。

最后，基于多目標識別的多元化數據采集。耀停車高位視頻系統實施多種類、多維度的數據采集與感知，數據種類分為車輛數據、車位數據、道路交通數據、周圍景觀數據、行人數據等等，數據維度又分為特征維度、行為維度、輔助維度、狀態維度等等真正實現了道路停車管理場景的大數據自動采集。

基于特征工程的數據集散棧

城市的智能感知并不能即刻轉化為運營決策，而是需要對數據以特征工程為手段進行結構化的預處理并作出相應的輸出。數據集散棧便是這樣的處理中心，它能夠實現城市邊緣多路感知數據的接入與結構化歸集、停車運營與靜、動態交通數據的有效輸出以及基于數據實時分析的前端設備智能維護。就目前而言，耀停車的數據集散棧已經實現如下功能：

  1、是路內與路外停車數據的接入。不僅僅是高位視頻的數據接入，同時也能夠接入地磁、PDA、視頻樁等其他方案的路內停車數據，還能夠接入路外停車場的實時數據，為城市整體停車決策提供參考。

  2、是數據智能二次審核與人機協同。在云端，開發了AI智能二次審核算法，能夠在快達28毫秒的時間內對前端數據進行二次校驗核準并反饋給前端主機與云端人機協同系統。在云端人機協同系統中，數據會自動分發給云服務和人，形成人機協同高效工作機制，在保證數據準確的情況下，將機器處理數據的效能進行最大化。

  3、是算法優化迭代。基于前端數據量和維度的不斷擴充，數據集散棧對前端的應用場景感知也在不斷的拓展。在人機協同機制下，對新的停車場景進行學習和認知，能夠有效幫助對前端算法做出不斷的優化和迭代，通過數據集散棧能夠對分布在不同城市的前端主機的識別算法進行遠程一鍵升級。

  4、是設備的遠程運維管理。通過我們構筑在云端的全球運維平臺（數據處理中心），基于物聯網的通信協議，可以看到任一設備的運行狀態，包括CPU負載、內存、溫度、環境溫度、算法分析狀態等，可以遠程對設備進行安裝、調試、故障診斷及修復。

基于車路協同的智能駕駛

  雷視一體的技術已在L2-L3級別的智能汽車上應用，通過激光采集的室內外浮點云通過三維建模將場景與現實一一鏈接對應，系統智能化達到L4級別停車系統將會完全無人化。

基于知識圖譜人工智能技術的運營決策端

  運營決策平臺不應當僅僅是前端停車時間和收費等數據的記錄，更應當是基于人類運營經驗學習的靜態交通決策輔助智能化平臺。

  初期，至少應當涵蓋停車運營概覽、運營數據BI、帶圖像的停車實時數據、智能巡管調度、路內外交通實時數據、違法停車實時信息、停車追蹤等基礎性功能。

中期，應當實現靜態交通業務大數據、高清違法取證、交通誘導、城市管理、治安反恐預警等實時信息的融合平臺。

  遠期，應當實現基于信息的融合和知識學習，對城市市容管理、道路健康管理、交通管理等城市運行管理作出主動決策建議或行動輸出，對城市管理人員、道路養護人員、園林管理人員、停車管理人員甚至交警等城市服務人員做出智能化的工作單分配，不斷增加決策的科學性和效率，提升城市智能化水平。