AI 3D客流统计技术拆解：从深度数据到越线计数
客流计数系统最容易被忽略的问题，是把"检测到一个人"和"正确统计一个人通过"当成同一件事。
实际上，两者属于不同的处理阶段。目标检测解决的是当前帧中是否存在人体候选区域；客流计数还需要判断目标是否真正越过计数边界、运动方向是什么，以及同一个人是否被重复记录。
本文从系统架构出发，拆解深度信息、目标跟踪和越线事件之间的关系。
1. 参考架构
一个典型的边缘端客流计数流程可以表示为：
Depth Sensor
|
v
Frame Acquisition
|
v
Depth Preprocessing
|
v
Person Detection
|
v
Multi-frame Tracking
|
v
Virtual-line Event State Machine
|
v
Deduplication and Direction Check
|
v
Counter / Local Storage / API这里的模块是逻辑划分，不要求每个模块都运行在独立进程中。低功耗设备可能采用集成式推理管线，高性能设备则可能将采集、推理和事件处理拆分为多个任务。
1.1 数据采集与预处理
深度传感器提供的通常是像素与距离之间的对应数据。系统需要根据传感器类型处理无效深度值、噪声和视场边界，并将计数区域映射到有效检测范围内。
如果传感器支持标定参数，还可以将深度数据转换为三维坐标或用于人体位置估计。
需要注意：深度图并不天然等同于准确的三维人体模型。测量范围、反射材质、环境光、遮挡和传感器工作原理都会影响数据质量。
1.2 人体检测与轨迹关联
检测模块输出当前帧中的人体候选目标，例如目标位置、边界区域或空间中心点。
跟踪模块则需要把当前帧的检测结果与历史轨迹进行关联。关联依据可以包括位置距离、运动预测、目标区域重叠程度和外观特征，具体取决于传感器和算法设计。
若目标短暂消失，系统可能保留其轨迹一段时间；若目标长时间被遮挡或多个目标高度重叠，关联仍可能失败。
因此，检测模型的单帧指标不能直接代表最终客流计数效果。
2. 虚拟线计数为什么需要状态判断？
假设在入口区域设置一条虚拟线，系统需要判断目标从线的一侧移动到另一侧的过程。
一种可实现的设计，是记录目标中心点相对于计数线的位置，并维护目标状态：
UNCONFIRMED
|
v
TRACKED
|
v
APPROACHING_LINE
|
v
CROSSING_CONFIRMED
|
v
EVENT_RECORDED上述状态名称只是示例。实际实现中，可以用有符号距离、滞回阈值、轨迹持续时间和目标有效性条件减少边界抖动带来的重复触发。
例如，目标中心点在虚拟线附近来回移动时，如果只判断单帧位置是否越线，可能在短时间内产生多次事件。通过进入阈值、确认阈值和事件去重标记，可以降低此类风险。
不过，滞回阈值也不能随意设置。阈值过大可能延迟确认，甚至漏掉快速通过的目标；阈值过小则可能无法抑制位置抖动。参数需要结合帧率、安装几何和现场轨迹数据调整。
3. 为什么深度信息可能改善计数？
与只提供单一触发信号的传感器相比，深度数据可以提供目标与设备之间的距离信息。对于部分场景，系统可以利用这一信息：
-
限定有效检测区域，过滤部分背景变化。
-
根据空间位置辅助区分目标。
-
结合连续帧估计运动方向。
-
在具备相应算法的情况下，改善部分遮挡场景中的目标关联。
但深度信息不会自动解决所有问题。两个目标在空间上重叠、深度测量不稳定或目标轨迹发生交叉时，系统仍可能漏计或重复计数。
已有研究比较过俯视 RGB 与深度相机的人员计数方法，其结论支持在特定实验条件下评估深度信息的价值，但不应直接外推为所有硬件和算法组合的性能保证。
4. 建议使用哪些指标？
工程验证至少应区分计数、方向、实时性和运行稳定性。
| 指标 | 定义或测试方法 | 注意事项 |
|---|---|---|
| 绝对计数误差 | |预测人数 − 参考人数| | 需要注明统计时间窗口 |
| 相对计数误差 | 绝对计数误差 ÷ 参考人数 | 参考人数为零时不适用 |
| 方向判断准确率 | 正确判断方向的有效事件数 ÷ 已核验方向事件数 | 应明确是否包含漏检事件 |
| 端到端延迟 | 事件发生至计数结果可用的时间 | 应注明平均值与高分位延迟 |
| 丢帧率 | 未按要求处理的帧数 ÷ 预期帧数 | 应明确采集端还是处理端口径 |
| 重复计数率 | 重复记录事件数 ÷ 参考通过事件数 | 需明确重复事件的判定规则 |
计数误差与检测准确率属于不同维度，不能混用。测试报告还应记录通道宽度、安装高度、光照条件、人员密度、样本规模及人工标注方法。
5. 一个可复现的测试方案
可以将入口场景划分为单人通过、多人并行、双向交汇、短时遮挡和空场误触发五类。
每类场景使用人工核验记录作为参考，按固定时间窗口导出设备计数，分别计算进店误差、出店误差、方向误判及重复事件。再对不同客流密度重复测试，检查性能变化是否具有一致性。
测试时不应只挑选设备表现良好的时间段，也不应在看到结果后再修改参考标注规则。
结论
AI 3D客流统计的技术优势，主要来自深度数据与跨帧目标跟踪的组合，而不是"AI"或"3D"本身。
真正决定工程效果的，是采集质量、检测与跟踪逻辑、越线事件状态管理，以及可复现的现场评测流程。只有把这些环节分开验证，才能定位误差来源，并判断方案是否适合具体入口场景。