客流统计并不是简单的“人数计数”，它本质上是一套围绕目标识别、轨迹建模、数据清洗与指标计算展开的完整系统。很多项目失败，并不是算法不够先进，而是对底层逻辑理解不清，导致系统设计从一开始就偏离了实际场景。
本文从技术视角拆解客流统计的核心逻辑，重点放在系统结构、关键算法与指标体系。
一、问题本质：我们到底在统计什么？
在工程实现中，“客流”至少包含三种不同语义：
通行人数（Pass Count）
只要目标穿过某个区域边界就计数一次
到访人数（Visit Count）
一个完整进入-离开过程算一次
独立访客（Unique Visitor）
去重后的个体数量
这三者对应不同业务，但底层实现完全不同：
通行人数 → 线检测
到访人数 → 区域检测 + 状态机
独立访客 → ReID（重识别）或ID持久化
如果系统没有区分清楚这三层，数据一定会出现偏差。
二、系统架构拆解
一个标准的客流统计系统通常包含四层：
1. 感知层（Sensing Layer）
负责采集原始数据，常见方案：
ToF深度传感器
双目摄像头
单目摄像头（结合AI模型）
WiFi探针（非视觉）
关键指标：
深度精度（±cm级）
帧率（15–30 FPS）
视场角（FOV）
2. 目标检测与跟踪层（Perception Layer）
核心任务：识别“人”并持续跟踪
技术结构：
检测：YOLO / SSD / 自研轻量模型
跟踪：Kalman Filter + Hungarian Matching
ID分配：Track ID持续更新
关键点：
避免ID频繁切换（ID Switch）
处理遮挡（Occlusion）
多目标密集场景稳定性
典型处理流程：
视频帧 → 人体检测 → 特征提取 → 目标匹配 → 轨迹更新
3. 行为建模层（Logic Layer）
这是客流统计真正的“核心”。
1）线计数模型（Line Crossing）
定义一条虚拟线：
目标轨迹从A侧→B侧：+1
从B侧→A侧：-1（或另一计数）
关键问题：
抖动导致重复触发
边界停留误判
解决方式：
设置方向向量
增加最小位移阈值
状态锁定（一次触发后短时间不重复）
2）区域计数模型（Zone Occupancy）
定义一个区域：
进入 → 状态=IN
离开 → 状态=OUT
实现依赖：
多边形区域判断（Point in Polygon）
状态机设计：
OUT → IN → OUT
难点：
入口拥挤
人员边缘徘徊
3）轨迹去重模型（De-duplication）
用于“独立访客”统计：
方法：
ReID特征（Embedding向量）
时间窗口限制（TTL）
空间约束（入口区域）
关键指标：
ReID准确率（Top-1 / Top-5）
向量相似度阈值（Cosine Similarity）
4. 数据处理与输出层（Data Layer）
这一层决定数据是否“可用”。
处理内容：
数据去重（同一人重复进入）
异常过滤（设备误判）
时间聚合（分钟/小时/日）
常见输出指标：
指标含义
客流量总通过人数
在场人数当前区域内人数
进出比进入/离开比例
停留时长平均停留时间
三、关键技术指标
一个可用的客流系统，必须关注以下指标：
1. 计数准确率
单人通过：≥ 98%
多人并行：≥ 95%
影响因素：
安装高度
光照变化
遮挡情况
2. 去重能力
尤其在商场/展馆：
重复进出是常态
员工干扰严重
技术手段：
白名单过滤（员工标签）
MAC过滤（WiFi方案）
ReID + 时间窗口
3. 实时性
边缘计算延迟：< 200ms
数据上传延迟：< 1s
架构选择：
本地推理（Edge AI）
云端聚合（Cloud Analytics）
4. 稳定性
系统需要长期运行：
7×24小时
丢帧率 < 1%
自动恢复机制
四、典型误区
1. 只看算法，不看安装
很多误差来自物理环境：
摄像头角度错误
门宽超出视野
强逆光
算法再好也无法补救。
2. 把“人数”当成唯一目标
实际应用中更重要的是：
转化率（进店 vs 路过）
热区分布
停留时间
客流只是基础数据。
3. 忽略边界条件
例如：
人群拥堵
推车/行李
儿童与成人高度差
这些都会影响识别模型。
五、一个简化的数据流示意
完整流程可以抽象为：
传感器输入
↓
目标检测（人）
↓
多目标跟踪（ID）
↓
轨迹生成
↓
行为判断（跨线/进出）
↓
数据清洗（去重/过滤）
↓
指标计算
↓
数据输出（API/报表）
每一层都有独立的优化空间，不能混为一体。
六、工程落地建议
如果从0开始搭建系统，优先顺序建议：
先确定统计口径（通行/到访/去重）
再选择硬件（ToF / 双目 / 单目）
再优化算法（检测 + 跟踪）
最后做数据层（报表与分析）
顺序反了，基本都会返工。
结语
客流统计的核心不在“数人”，而在于：
如何稳定识别目标
如何正确理解行为
如何输出可解释的数据
它更像一个轻量级行为分析系统，而不是简单计数器。
当系统从“计数”走向“理解”，数据才真正有价值。
