随着AI人工智能、大数据算法、算力技术的成熟，“智慧+”已成为人们改造传统行业的主要手段。特别是在路内停车领域，“智慧”使对路内停车的有效管理成为可能。自2018年以来，“智慧+停车”逐渐成为停车行业的热门词汇，特别是经过2019年全国停车项目的兴起以及新基建概念的提出，一时间市场上涌出了各种“智慧”停车方案，其中不乏地磁、视频桩、中位视频、高位视频、北斗等多技术并存的解决方案。但，什么才是“智慧的”停车？这可能还需要进一步地透视停车的本质才可厘清。

从客户的需求看，城市道路停车的业主——政府对停车的需要不仅仅是为车辆找到一个停放的空间，而是以改善城市交通、提供良好出行体验为目的，基于激活泛交通体系的科学规划为前提，以智能技术运用为运营手段，以健全的社会惩戒体系为辅助管理措施的系统性工程。

因此，谈智慧停车，如果目标在于管理收费、管理收费员，则属于智慧停车初级阶段，称之为停车1.0方案；如果目标在于管理停车事件，即准确识别停车出入位行为、完成缴费、通过有效证据体系避免逃费行为等，则属于停车2.0方案；只有把停车放到智慧交通管理体系化工程中，才能创造出适应未来的智慧停车3.0方案，即通过自我进化不断适应复杂交通场景的智慧停车解决方案。

从这个角度看，可进化的智慧停车解决方案构成要件应有四个方面：基于深度学习人工智能技术的城市感知端、基于特征工程的数据集散栈、基于车路协同的智能驾驶以及基于知识图谱人工智能技术的运营决策端。

基于深度学习技术的城市智能感知端

  智能感知是智慧神经系统的起点。“智慧”，本意上是指生物所具有的基于神经器官一种高级的综合能力，包括感知、理解、联想、逻辑、辨别、分析、判断、决定等多项内容。智慧的起点在于感知。从感知的信源获取角度，人类对外界事物的感知85%来自于视觉。同样，基于类人仿生学特征的智慧停车，视觉感知也是城市智能感知的重要手段。因此，耀停车从开始研发解决方案时就把重点放在基于高位视频的大倾角、超广角的多目标视觉识别上。

  首先，是基于不同的场景，制定上百种针对性的场景优化方案和算法。在现实中，停车的场景是多样、变化的，可能路过的行人、车辆，树木的摇动，都会对视频识别造成很大的影响。解决问题的关键在于对不同场景中的多目标进行准确识别。基于CNN深度学习，在给定的视频图像中，耀停车的算法已经能够识别出小汽车、厢式货车、卡车、工程车、巴士（客车）、三轮车、行人、骑行者、自行车、电瓶车等10余类目标，并给出每一个目标在视频图像中的位置。对于机动车的识别，我们在检测整车的基础上，还增加了车头车尾等更多细部的检测，以解决距离较远的相邻车位之间重叠度的问题。

其次，构建全场景的3D模型和感知。车牌识别只是车辆身份鉴别的一个方面，仅仅是其中的一项结果。我们在车辆运动的过程中就已经能够捕获车牌，并做出识别。在一个具体的环境中，我们的算法对车辆身份的识别就如同人观察识别行为一样，会对空间中的多种特征进行观察，而不是始终紧盯着车牌。因此，对周围环境的3D建模和感知，有助于系统的自我学习优化，从而排除各类环境干扰。

再者，基于上述3D建模和感知的车辆行为动态识别分析。我们不仅仅是识别静态车辆，同时也识别车辆的动态行为。车辆进入视野，我们会进行多目标跟踪，在跟踪的过程中，判断车辆与停车、交通之间的联系。根据车辆的行为逻辑，我们甚至可以对车辆进行行为预测。车辆停入车位后，算法还不间断的对所有车位及车辆身份（不仅仅限于车辆牌照）进行识别，实时比对车辆是否更换，避免因其他车辆干扰或者遮挡时，不能及时捕获到车辆离位。

  此外，应对极端条件下的场景优化识别也是关键。通用主流相机一般都是具有非常高分辨率的传感器，但是在一些极端环境下，其通用自动工作机制不完善，需要通过算法干预对成像参数进行调整，比如逆光、大雾、低照度等，算法通过识别这些场景，协同自动调整摄像机成像参数，比如自动开启强光抑制，自动开启宽动态，在低照度环境下自动开启3D降噪，自动开启透雾等等。

最后，基于多目标识别的多元化数据采集。耀停车高位视频系统实施多种类、多维度的数据采集与感知，数据种类分为车辆数据、车位数据、道路交通数据、周围景观数据、行人数据等等，数据维度又分为特征维度、行为维度、辅助维度、状态维度等等真正实现了道路停车管理场景的大数据自动采集。

基于特征工程的数据集散栈

城市的智能感知并不能即刻转化为运营决策，而是需要对数据以特征工程为手段进行结构化的预处理并作出相应的输出。数据集散栈便是这样的处理中心，它能够实现城市边缘多路感知数据的接入与结构化归集、停车运营与静、动态交通数据的有效输出以及基于数据实时分析的前端设备智能维护。就目前而言，耀停车的数据集散栈已经实现如下功能：

  1、是路内与路外停车数据的接入。不仅仅是高位视频的数据接入，同时也能够接入地磁、PDA、视频桩等其他方案的路内停车数据，还能够接入路外停车场的实时数据，为城市整体停车决策提供参考。

  2、是数据智能二次审核与人机协同。在云端，开发了AI智能二次审核算法，能够在快达28毫秒的时间内对前端数据进行二次校验核准并反馈给前端主机与云端人机协同系统。在云端人机协同系统中，数据会自动分发给云服务和人，形成人机协同高效工作机制，在保证数据准确的情况下，将机器处理数据的效能进行最大化。

  3、是算法优化迭代。基于前端数据量和维度的不断扩充，数据集散栈对前端的应用场景感知也在不断的拓展。在人机协同机制下，对新的停车场景进行学习和认知，能够有效帮助对前端算法做出不断的优化和迭代，通过数据集散栈能够对分布在不同城市的前端主机的识别算法进行远程一键升级。

  4、是设备的远程运维管理。通过我们构筑在云端的全球运维平台（数据处理中心），基于物联网的通信协议，可以看到任一设备的运行状态，包括CPU负载、内存、温度、环境温度、算法分析状态等，可以远程对设备进行安装、调试、故障诊断及修复。

基于车路协同的智能驾驶

  雷视一体的技术已在L2-L3级别的智能汽车上应用，通过激光采集的室内外浮点云通过三维建模将场景与现实一一链接对应，系统智能化达到L4级别停车系统将会完全无人化。

基于知识图谱人工智能技术的运营决策端

  运营决策平台不应当仅仅是前端停车时间和收费等数据的记录，更应当是基于人类运营经验学习的静态交通决策辅助智能化平台。

  初期，至少应当涵盖停车运营概览、运营数据BI、带图像的停车实时数据、智能巡管调度、路内外交通实时数据、违法停车实时信息、停车追踪等基础性功能。

中期，应当实现静态交通业务大数据、高清违法取证、交通诱导、城市管理、治安反恐预警等实时信息的融合平台。

  远期，应当实现基于信息的融合和知识学习，对城市市容管理、道路健康管理、交通管理等城市运行管理作出主动决策建议或行动输出，对城市管理人员、道路养护人员、园林管理人员、停车管理人员甚至交警等城市服务人员做出智能化的工作单分配，不断增加决策的科学性和效率，提升城市智能化水平。