视频客流统计本质上不是“认识人”，而是对视频流中的“人体目标”进行检测、跟踪与轨迹分析，再通过规则或模型完成计数与行为判定。系统不关心身份，只关心“这个目标是不是人、从哪里来、去了哪里”。
整个流程可以拆成四层：视频输入层、人体检测层、目标跟踪层、计数与分析层。
一、系统整体架构
一个典型的视频客流统计系统结构如下：
摄像头采集
↓
视频流编码（RTSP/ONVIF）
↓
AI推理服务（GPU/边缘计算盒）
↓
人体检测模型（Person Detection）
↓
多目标跟踪（MOT）
↓
虚拟线/区域规则引擎
↓
客流数据输出（进/出/停留/热力）
部署形态一般分三种：
边缘端（Edge AI盒）：就地处理，延迟低，适合门店
本地服务器（On-Premise）：多路摄像头集中分析
云端分析（Cloud AI）：用于跨门店汇总与建模
二、第一步：人体检测（Detection）
核心任务：在每一帧图像中找到“人”。
1. 输入
视频被拆成连续帧（通常 10–25 FPS）。
2. 模型输出
常见检测模型输出：
bounding box（目标框）
confidence score（置信度）
class label（person）
典型模型：
YOLO 系列（YOLOv5 / YOLOv8）
SSD
Faster R-CNN（较少用于实时）
3. 关键技术指标
指标说明常见范围
检测准确率（mAP）人体识别准确性85%–97%
推理延迟单帧处理时间10–50ms
误检率非人被识别为人<3%（优化后）
4. 难点
逆光与强光
遮挡（人群密集）
小目标（远距离）
三、第二步：多目标跟踪（MOT）
检测只能得到“每一帧的人”，无法知道“是不是同一个人”。
跟踪层的作用是：给每个检测到的人分配唯一 ID，并在连续帧中保持一致。
1. 基本逻辑
Frame 1: Person A → ID 12
Frame 2: Person A → ID 12（保持）
Frame 3: Person A → ID 12（继续）
2. 常见算法组合
Kalman Filter（运动预测）
Hungarian Algorithm（匹配分配）
DeepSORT（加入外观特征）
ByteTrack（提升遮挡场景稳定性）
3. 关键输入特征
位置（x, y, w, h）
速度向量
外观特征（Re-ID embedding）
4. 技术指标
指标含义典型值
ID SwitchID是否切换错误越低越好
MOTA跟踪综合准确率70%–90%
FPS稳定性多路视频处理能力8–32路/设备
四、第三步：虚拟规则与客流判定
这一层才是“客流统计”的核心业务逻辑。
1. 虚拟线（Line Crossing）
最常见方法：在视频中画一条“进出线”。
逻辑：
人体轨迹穿过线 → 触发计数
方向判断 → 进入 or 离开
判断方式：
if trajectory crosses line from A→B:
IN += 1
else:
OUT += 1
2. 区域统计（Zone Analytics）
用于更复杂场景：
店内停留人数
收银区拥堵
展厅热区
逻辑：
人体中心点进入 ROI 区域
停留时间累计
五、第四步：客流数据建模
在完成“人 + 轨迹 + 规则”之后，系统输出结构化数据。
1. 基础指标
进店人数（Entries）
出店人数（Exits）
在店人数（Occupancy）
停留时长（Dwell Time）
2. 派生指标
转化率（需对接POS）
峰值时段分布
区域热力图
人流密度
六、关键工程问题
1. 遮挡问题
人群密集时，检测框会重叠，导致 ID 丢失。
解决方案：
Re-ID 特征增强
ByteTrack 高置信度优先策略
多摄像头融合（Re-ID Matching）
2. 摄像头角度问题
不同安装角度直接影响误差：
安装方式误差水平
正顶视（90°）最低
斜视（30°–60°）中等
平视误差较高
3. 光照变化
HDR摄像头
自适应曝光
夜间IR补光
4. 实时性要求
典型系统约束：
延迟 < 300ms（门店级）
FPS ≥ 15（稳定计数）
连续运行 7×24h
七、边缘计算 vs 云端
边缘计算
优点：
延迟低
不依赖网络
数据隐私强
缺点：
算力有限
模型更新成本高
云端
优点：
易扩展
多门店统一分析
模型迭代快
缺点：
网络依赖强
视频上传成本高
八、本质总结
视频客流统计的核心不是“识别身份”，而是：
从视频中找出“人”
在时间维度上连接这些人
判断行为是否跨越规则边界
将连续行为转成结构化数据
整个系统可以简化为一句话：
用视觉模型做检测，用时序算法做跟踪，用规则系统做计数。
