路内停车管理难、运营难、收益少，很大程度上是因为前端识别效果差，特别是传统高位视频技术，在自身安装俯角、倾斜角大和周边复杂环境的复杂影响下，存在漏报停车、误报异常等一系列问题，造成国有资产流失的同时，也不利于智能停车行业的整体发展。
为了赋能行业，推动发展，臻识科技于2019年进入路内停车领域。2年来，臻识基于10年停车技术积累和服务全国55%停车位的海量数据，连续突破三维底盘回归、超长跟踪等多项应用难题，逐步将路内停车高位视频技术行业的综合识别率提升至95%，赋能全国运营方，解决停车难的民生问题。
基于CNN二维检测框与车位框的IoU值，来进行车辆、车位匹配是传统路内停车高位视频技术中的一大挑战。
因为实际应用时，相机受现场条件限制，需灵活适应车位同侧、斜侧、对侧的成像视角和车辆斜停、垂停、侧停等多样停车方式，造成安装倾斜角和俯角过大，导致二维车辆检测框与车位框无法匹配或错位匹配。
理论上，针对场景绘制“算法车位框”和单独配置参数可以提高匹配精度，然而该方案增加了施工的难度和复杂度。为此，臻识融入了三维底盘回归技术。
该技术通过利用CNN网络自动拟合出每个车辆的底盘信息，得到车辆在三维空间的立体占位，大幅提升了车辆检测框与车位框关联匹配的准确度。
同时简化了施工流程，无论是同侧、异侧、对侧的部署角度，还是斜停、垂停、侧停的停车方式，均只需绘制实际车位线，无需其他参数配置，扩展了高位视频技术在路内停车的应用范围。
State-of-the-art跟踪策略通常仅能处理3s内的物体消失。
而在实际高位相机应用中，常发生10秒（过车），10分钟（堵车），甚至2个小时（大车停车）等遮挡情况，导致目标车辆消失，由此引发的出入场漏单和误报是影响路内停车准确收费的主要障碍。臻识对此提出了ReID融合车脸识别和以图搜车的技术方案。
该方案先基于ReID技术完成车辆部分组件（如车顶、车窗、后视镜）和车辆ID的再匹配，并加入交通管理中常用到的车脸识别和以图搜车技术实现ReID增强，以满足相似车辆相互遮挡的判断要求，在包括开关后备箱、过路大车遮挡等实际应用中均有出色表现。
方案同时通过了超长遮挡数据集测试（数据集共115762段视频，含10%大于30分钟遮挡导致的目标消失数据）。在MOT挑战网站中排名最高的开源代码方案（GOT）对比测试中，GOT的MOTA（用于评估跟踪准确度：误报、错过目标、ID切换等）为12.8，RECALL（正确匹配目标检测率）为25.8，而臻识方案可保持75以上的MOTA以及90以上的RECALL，被验证为解决遮挡的有效方案。
跨越式的技术升级，让臻识路内停车产品在面世后迅速获得了市场认可。继路内停车低位视频桩H1L从青岛、日照扩展到凤庆等多地后，高位智能相机H1M也在不到1年的时间内迅速覆盖包括成都、绵阳、潮州、苏州等20多个城市，高中低位完整的产品矩阵可适应各类路内停车场景，大幅加快了在全国落地的速度，是路内停车行业加速向智能化、数字化升级的有力保障。
— Make Intelligent Everywhere —
