在很多场景中，客流统计被简单理解为“统计有多少人进入”。
从技术实现角度来看，这个定义并不准确。
传统客流设备解决的是：
某个位置在某个时间段内发生了多少次人员通过事件。
而真实客户数量需要解决的是：
有多少独立人员进入，并且这些人员是否属于目标对象。
两者之间存在明显的数据处理差异。
因此，即使一个客流设备能够达到较高的计数准确率，也不能直接说明它能够计算真实客户数量。
一、客流统计本质是一个目标识别问题
传统客流系统通常采用较简单的数据模型：
检测区域变化
↓
触发计数
↓
累计人数
例如：
入口安装一个红外计数器。
当有人经过时：
红外信号变化
↓
触发一次
↓
人数+1
系统得到：
Entry = 1
但是系统并不知道：
这个“1”代表什么。
它可能是：
一个顾客；
一个员工；
一个配送人员；
一个重复进入人员。
因此，传统系统记录的是：
Traffic Event
而不是：
Human Object
二、为什么传统传感器无法识别真实人员？
1. 红外客流统计：只能感知遮挡
红外设备的优势是结构简单、成本较低。
它的工作方式：
红外发射
↓
光束接收
↓
发生遮挡
↓
产生计数
但是检测维度有限。
它只能判断：
“是否有物体通过”。
无法判断：
物体是否是人；
一个人还是多人；
是否已经统计过。
例如：
两个人并排进入：
A + B
↓
同时遮挡
↓
Count = 1
真实情况：
Person = 2
这类问题属于：
目标分离问题。
三、普通摄像头为什么不能直接得到真实客户数量？
随着计算机视觉技术发展，很多系统开始使用摄像头进行人数检测。
基本流程：
Camera
↓
Image Frame
↓
Detection Algorithm
↓
People Count
相比红外，视觉系统增加了图像信息。
但是二维图像仍然存在限制。
1. 遮挡问题
现实环境中：
人员经常发生重叠。
例如：
前方人员
↓
后方人员
摄像头看到：
一个人体区域
但实际：
两个人
2. 透视问题
摄像机角度变化会导致：
远处人员尺寸变小。
例如：
入口区域：
近距离人员：
大目标
远距离人员：
小目标
算法需要不断适应不同尺度。
3. 光照问题
普通RGB摄像头容易受到：
强光
背光
夜间环境
影响。
导致：
检测置信度下降。
四、智能客流系统需要增加三维感知能力
为了提升人员识别能力，新一代客流设备开始引入：
双目视觉
ToF深度传感
LiDAR
毫米波雷达
核心变化：
从：
二维空间
X,Y
升级到：
三维空间
X,Y,Z
增加深度信息后，系统能够判断：
人体高度；
人体距离；
人员空间关系。
五、智能客流系统的技术架构
完整系统通常包括四个模块：
┌───────────────┐
│ 数据应用层 │
│ Dashboard/API │
└───────▲───────┘
|
┌───────┴───────┐
│ 数据服务层 │
│ MQTT/HTTP/API │
└───────▲───────┘
|
┌───────┴───────┐
│ AI算法层 │
│ Detection │
│ Tracking │
│ Re-ID │
└───────▲───────┘
|
┌───────┴───────┐
│ 感知层 │
│ Camera/ToF │
└───────────────┘
每一层承担不同任务：
六、AI算法如何计算独立人员数量？
1. 人体检测
第一步：
找到人体目标。
输入：
Image / Depth Data
输出：
Person Region
例如：
Person A
Person B
Person C
2. 目标跟踪
检测只能处理单帧。
但是客流统计需要知道：
是不是同一个人。
例如：
连续视频帧：
Frame 1:
Person ID001
Frame 2:
Person ID001
Frame 3:
Person ID001
系统判断：
这是同一个目标。
避免：
重复计算。
3. Re-ID去重
重复进入是传统统计的重要误差来源。
例如：
用户：
进入商店
↓
离开
↓
再次进入
传统系统：
1+1=2
智能系统：
ID匹配
↓
同一人员
↓
Count=1
七、真实客户数量不是简单人数相加
真实客户数量计算通常需要数据过滤。
基本模型：
有效客户数量
=
原始进入人数
-
员工数量
-
重复人员
-
非目标人员
例如：
一天统计：
进入人数：
1200
经过分析：
员工：
150
配送：
50
重复进入：
100
最终：
有效客户：
900
八、为什么“99%人数统计准确率”不代表客户数量准确？
这是很多项目中容易混淆的技术指标。
人数统计准确率：
表示：
检测人数
/
实际通过人数
例如：
入口经过1000人。
设备检测：
990人。
那么：
计数准确率约99%。
但是：
如果其中：
员工100人；
配送50人；
重复进入80人；
真实客户：
770人
因此：
计数准确率高，
不代表客户数据质量高。
九、从人数统计到人员理解
传统系统：
检测
↓
计数
↓
输出数字
智能系统：
感知
↓
识别
↓
跟踪
↓
过滤
↓
分析
技术目标发生变化。
过去关注：
How many people?
现在关注：
Who is counted?
How many unique people?
How many effective visitors?
十、未来客流系统的发展趋势
未来智能客流技术将继续向：
1. 多传感融合
结合：
RGB视觉
深度数据
雷达信息
提升复杂环境适应能力。
2. 边缘AI计算
将模型部署到设备端：
优势：
降低延迟；
减少云端压力；
提升实时性。
3. 隐私保护计算
通过：
非身份识别算法；
边缘处理；
数据脱敏；
实现数据分析和隐私保护平衡。
总结
传统客流统计无法计算真实客户数量，根本原因在于：
它统计的是“通过事件”，而不是“人员对象”。
从技术演进来看：
第一阶段：
传感器计数
第二阶段：
视觉检测
第三阶段：
三维感知+AI分析
真正准确的客户数量计算，需要完成：
人体检测；
多目标跟踪；
身份关联；
重复过滤；
数据分析。
客流系统的发展方向，不是简单提高“数人数”的能力，而是提升对人员流动数据的理解能力。
