前言
客流统计（People Counting）是智慧零售、智慧园区、交通枢纽、图书馆和展馆场景中的基础数据采集能力。
传统红外计数方案仅能完成简单的进出统计，在复杂场景下容易受到遮挡、多人并行通行以及环境光变化的影响。
随着边缘计算设备算力提升以及深度学习目标检测算法的发展，基于计算机视觉的客流统计方案逐渐成为主流技术路线。
本文从系统架构、核心算法、数据处理流程以及精度优化等方面介绍现代客流统计系统的实现方式。
系统总体架构
典型客流统计系统通常由感知层、边缘计算层、数据传输层和云平台组成。
┌─────────────────────┐
│ 视频采集设备 │
└─────────┬───────────┘
│
▼
┌─────────────────────┐
│ 边缘AI计算节点 │
│ │
│ 目标检测 │
│ 多目标跟踪 │
│ 越线计数 │
│ 特征提取 │
└─────────┬───────────┘
│
▼
┌─────────────────────┐
│ 消息队列 │
│ MQTT / HTTP / Kafka │
└─────────┬───────────┘
│
▼
┌─────────────────────┐
│ 数据平台 │
│ │
│ 时序数据库 │
│ 报表分析 │
│ API服务 │
│ 数据可视化 │
└─────────────────────┘
边缘侧负责实时推理，云端负责数据存储与统计分析。
这种架构能够降低网络带宽占用，同时满足实时性要求。
视频采集模块
视频采集设备通常采用以下两种方案：
单目摄像机
特点：
成本较低
部署简单
安装灵活
局限性：
无法获取深度信息
人员遮挡影响较大
高密度场景误差较高
双目3D摄像机
通过左右镜头获得视差信息。
Left Camera
\
\
Object
/
/
Right Camera
深度计算公式：
Depth = (F × B) / D
参数说明：
F：焦距
B：双镜头基线距离
D：视差值
通过深度信息可以获得目标空间位置。
在复杂通道和密集客流环境中具有更高稳定性。
人体目标检测
目标检测模块负责识别视频中的人体目标。
当前主流模型包括：
YOLOv8
YOLOv11
RT-DETR
PP-YOLOE
推理输出：
{
"class":"person",
"confidence":0.98,
"bbox":[120,80,320,640]
}
检测阶段主要关注以下指标：
指标含义
Precision精确率
Recall召回率
mAP50检测准确率
FPS推理速度
典型边缘设备性能：
模型分辨率FPS
YOLOv8n640×64080+
YOLOv8s640×64045+
YOLOv11s640×64040+
多目标跟踪
检测模型只能识别当前帧目标。
为了避免同一人员被重复统计，需要引入目标跟踪算法。
常见实现方案：
DeepSORT
ByteTrack
BoTSORT
跟踪流程：
检测结果
│
▼
卡尔曼预测
│
▼
目标匹配
│
▼
ID更新
输出示例：
Track ID 101
Track ID 102
Track ID 103
系统通过唯一ID维护目标生命周期。
越线计数机制
客流统计通常采用虚拟线计数方式。
OUT
-------------------
IN
当目标轨迹穿越计数线时触发事件。
逻辑判断：
if track.cross(line):
counter += 1
根据穿越方向区分：
Enter
Exit
从而统计进出人数。
重复统计控制
复杂场景中容易出现以下情况：
人员停留入口区域
来回移动
短时间折返
因此需要引入轨迹约束机制。
典型策略：
最小轨迹长度
+
方向连续性判断
+
时间窗口限制
例如：
轨迹长度 > 30 Pixel
持续时间 > 2 秒
满足条件后才执行计数。
可以有效降低误报率。
员工过滤机制
零售场景中，员工频繁进出会影响统计结果。
常见过滤方案包括：
RFID标签
标签识别
│
▼
员工数据库
│
▼
过滤统计
蓝牙Beacon
边缘设备检测员工Beacon信号。
识别后忽略统计。
人脸白名单
建立员工特征库。
流程：
人脸检测
│
▼
特征编码
│
▼
白名单匹配
匹配成功后不计入客流数据。
客流去重技术
在大型商业综合体中，同一访客可能经过多个设备。
因此需要进行跨设备身份关联。
技术实现通常采用ReID模型。
处理流程：
人体检测
│
▼
特征提取
│
▼
Embedding生成
│
▼
特征匹配
输出128维或256维特征向量。
例如：
Person A
[0.12,0.35,0.68...]
通过余弦距离计算相似度：
Cosine Similarity > 0.85
判定为同一目标。
实现跨区域去重统计。
数据存储设计
实时客流系统通常采用时序数据库存储统计结果。
数据结构示例：
{
"device_id":"CAM001",
"timestamp":"2026-08-28 10:00:00",
"enter_count":125,
"exit_count":97,
"stay_count":28
}
常见存储方案：
InfluxDB
TimescaleDB
ClickHouse
用于支撑高频写入和历史趋势分析。
关键性能指标
工程项目中常见验收指标如下：
指标目标值
统计准确率≥98%
漏计率≤2%
重复统计率≤1%
实时延迟<500ms
设备在线率≥99.9%
数据上传成功率≥99%
实际指标受安装高度、光照条件、人流密度和摄像机视角影响。
结语
现代客流统计系统已经从简单计数设备发展为融合计算机视觉、边缘计算、多目标跟踪和ReID技术的数据采集系统。
完整方案通常包含：
视频采集
人体检测
多目标跟踪
越线计数
员工过滤
跨设备去重
数据分析平台
在高密度场景中，双目深度感知、多目标跟踪以及跨设备身份关联是影响统计精度的关键技术因素。
