说到客流分析，很多人的第一反应还是“数人数”。
设备装在入口，对着门口，进来一个记一个，出去一个再记一个。
但真正的AI客流分析系统并不是这么工作的。
如果只需要统计某一帧画面里有几个人，目标检测模型已经足够。
问题在于，客流统计面对的是连续发生的运动目标。
一个人会连续出现在几十甚至几百帧画面中；两个人可能同时进入；有人会走到入口又转身；有人会从一个区域移动到另一个区域。
因此，系统真正需要处理的是：
人在哪里、什么时候出现、往哪里移动、是不是同一个人。
一、第一层识别：人体目标
系统首先需要从传感器数据中找到人体。
二维视觉里，通常得到一个矩形框：
┌──────────┐
│ │
│ 人体 │
│ │
└──────────┘
同时会输出一个置信度。
例如：
Person
Confidence = 0.98
这一步解决的是：
“这里有没有人？”
但还没有解决：
“这个人是谁？”
也没有解决：
“他刚才是不是已经被统计过？”
所以Detection只是第一步。
二、第二层识别：同一个人
假设一个人从入口走过。
摄像头可能连续获得：
Frame 1
Frame 2
Frame 3
...
Frame 60
如果每次检测都算一个人，最后会得到60个人。
显然不对。
因此系统需要给目标建立临时ID：
Frame 1 → ID 21
Frame 2 → ID 21
Frame 3 → ID 21
...
Frame 60 → ID 21
这就是Tracking。
Tracking的核心任务可以简单理解为：
让算法知道连续画面中的目标是不是同一个目标。
三、第三层识别：这个人怎么移动
当目标有了ID以后，系统就可以记录它的位置变化。
例如：
P1 → P2 → P3 → P4 → P5
这些点连起来，就是目标轨迹。
如果目标从入口外侧移动到入口内侧，系统可以判断：
IN
反过来则可能判断：
OUT
如果目标接近入口之后又返回原方向，则可能产生：
Turn-back
所以客流统计中的“进店”和“出店”，本质上并不是简单检测，而是：
轨迹 + 方向 + 空间区域
共同产生的事件。
四、为什么3D数据很有用
普通图像主要记录：
X、Y
也就是二维位置。
双目视觉可以进一步获得：
Z
也就是深度。
双目系统通过左右摄像头之间的视差计算深度。
基本公式：
Z = fB/d
其中：
Z：目标距离
f：焦距
B：双目基线
d：视差
这样，一个人体目标就不再只是图像里的一个矩形框。
系统可以获得更多空间信息。
例如：
X = 横向位置
Y = 纵向位置
Z = 深度距离
对于入口区域的多人同时通过、前后遮挡等情况，深度信息可以作为目标区分的额外依据。
五、一个人停留了多久，也可以从轨迹计算出来
如果系统记录了目标进入某个区域和离开该区域的时间，就可以计算停留时间。
公式很简单：
Dwell Time = Exit Time − Entry Time
例如：
进入：10:12:30
离开：10:14:18
停留时间：
108秒
因此，停留时间不是额外“测量”出来的数据。
它本身就是目标轨迹和时间戳计算出来的结果。
六、AI还能识别年龄和性别吗
可以。
但这里要把几个概念分开。
人体检测回答：
这里有没有人？
人体跟踪回答：
这个人是不是刚才那个目标？
属性识别回答：
这个目标属于什么属性类别？
例如：
ID 21
Gender: Female
Age Group: 25-35
这里的Age Group是年龄段分类，不意味着系统能够知道一个人的精确年龄。
同样，Gender Classification也属于属性分类。
它与真实身份识别是两个不同问题。
七、ReID又是什么
如果一个场景只有一个摄像头，Tracking通常可以解决连续跟踪。
但如果场景扩大到多个区域：
Camera A
↓
Camera B
问题就变成：
A摄像头里的ID 21，是不是B摄像头里的ID 08？
这时可以使用ReID。
ReID，即Person Re-Identification，可以把人体目标转换成特征向量，再计算不同目标之间的相似度。
流程可以表示为：
人体
↓
特征提取
↓
Embedding
↓
Similarity Matching
↓
目标关联
因此ReID解决的是：
跨时间、跨区域的目标关联问题。
八、AI客流分析为什么不是简单加减法
假设入口一天产生：
1000次Entry
这1000次记录并不一定等于1000个独立消费者。
因为其中可能存在：
员工
配送人员
物流人员
重复进入
短时间往返
如果系统需要计算有效客流，就需要对这些事件进行进一步处理。
典型链路是：
Raw Traffic
↓
Detection
↓
Tracking
↓
Classification
↓
ReID
↓
Event Filtering
↓
Effective Traffic
所以有效客流不是简单的：
总人数 − 一个固定比例
而是建立在目标识别和事件判断基础上的数据处理结果。
九、为什么系统需要边缘AI
如果所有原始视频都传到云端：
Camera
↓
Network
↓
Cloud
↓
AI Processing
↓
Result
视频传输会占用大量带宽，同时网络状态也会影响实时处理。
边缘AI则把部分模型直接放到设备端：
Camera
↓
Edge AI
↓
Detection
↓
Tracking
↓
Event
↓
Structured Data
云端收到的可以直接是：
{
"entry": 23,
"exit": 18,
"dwell": 126
}
而不是完整的视频流。
这也是目前边缘视觉系统常见的架构之一。
十、系统最终输出的其实是一组事件
一个完整的目标事件可能包含：
Track ID
Timestamp
Position
Direction
Age Group
Gender
Dwell Time
Event Type
例如：
{
"track_id": 21,
"timestamp": "2026-09-24 10:32:18",
"direction": "IN",
"gender": "female",
"age_group": "25-35",
"dwell_time": 108
}
多个目标事件经过聚合后，才变成我们通常看到的客流报表。
所以最终看到的“143人”，实际上已经经过了多个计算过程。
十一、技术指标应该怎么看
判断一个AI客流系统，不能只看宣传页面上的一个“准确率”。
至少需要区分：
Detection Accuracy
目标检测准确率。
Counting Accuracy
最终人数统计准确率。
Tracking Accuracy
目标连续跟踪能力。
ReID Accuracy
跨区域目标关联能力。
Latency
从数据采集到结果输出的延迟。
MTBF
长期运行稳定性。
另外还应该观察系统在不同环境下的表现：
逆光
暗光
遮挡
高密度人群
多人并行
快速移动
目标交叉
例如一个设备在实验室单人测试中达到很高准确率，并不能直接说明它在复杂入口环境中也具有相同表现。
技术指标必须结合测试条件理解。
十二、把整个系统串起来
如果把前面的技术模块全部连接起来，可以得到一条完整链路：
Sensor
↓
Person Detection
↓
Depth / Position
↓
Object Tracking
↓
Trajectory
↓
Direction
↓
Attribute Recognition
↓
ReID
↓
Event Recognition
↓
Filtering
↓
Aggregation
↓
Traffic Data
从这个角度看，AI客流分析系统实际上是在持续处理：
目标 + 时间 + 空间 + 属性 + 事件
而不是单纯处理“人数”。
这也是为什么现代客流分析系统的技术重点已经从传统的计数模块，逐渐扩展到3D感知、目标跟踪、ReID、属性识别、边缘推理和事件分析。
最终输出虽然还是一个数字，但这个数字背后是一整套实时视觉数据处理流程。
