摘要

传统客流统计通常只输出进店人数和出店人数，但零售场景中的原始人员轨迹并不能直接作为消费者数据使用。员工、配送人员、重复进出等目标会造成统计噪声。

本文从数据处理链路出发，拆解有效客流的计算过程，包括目标检测、轨迹关联、员工识别、重复目标过滤、事件生成、数据聚合，以及最终的转化率计算。

---

1. 客流统计真正难的不是“数人”

一个基础客流系统可以用非常简单的方式完成统计。

假设入口设置一条虚拟检测线。

人员从左向右穿越：

IN +1

人员从右向左穿越：

OUT +1

这就是最基础的客流统计。

问题在于：

穿过检测线的人，不一定是消费者。

例如：

消费者 → Customer

员工 → Staff

快递员 → Courier

配送人员 → Delivery

供应商 → Supplier

重复进入 → Re-entry

如果系统直接将所有目标计入客流：

Total Traffic = Customer + Staff + Courier + Re-entry + Other

那么这个值并不能直接作为消费者流量。

有效客流需要在原始计数之后增加一层数据过滤：

Raw Detection

↓

Object Detection

↓

Multi-Object Tracking

↓

Trajectory Analysis

↓

Staff Filtering

↓

Re-ID / Duplicate Filtering

↓

Entry Event

↓

Effective Traffic

这才是完整的数据链。

---

2. 系统架构

一个典型的AI客流分析系统可以拆成五层。

┌──────────────────────────────┐

│ Camera Layer │

│ RGB / Stereo / ToF / IR │

└──────────────┬───────────────┘

↓

┌──────────────────────────────┐

│ Detection Layer │

│ Person Detection │

│ Head / Shoulder Detection │

└──────────────┬───────────────┘

↓

┌──────────────────────────────┐

│ Tracking Layer │

│ ID Assignment │

│ Trajectory │

│ Direction │

└──────────────┬───────────────┘

↓

┌──────────────────────────────┐

│ Filtering Layer │

│ Staff Filter │

│ Re-ID │

│ Duplicate Removal │

│ Invalid Object Filter │

└──────────────┬───────────────┘

↓

┌──────────────────────────────┐

│ Analytics Layer │

│ Traffic / Conversion / Dwell │

│ Heatmap / Time Distribution │

└──────────────────────────────┘

这里最容易被忽略的是Tracking Layer。

检测模型只能回答：

当前画面里有没有人？

Tracking需要回答：

当前这一帧的人，和上一帧是不是同一个人？

没有轨迹关联，就很难处理重复目标。

---

3. 目标检测不是客流统计

目标检测输出通常类似：

Frame ID: 10231

Object 01

Class: person

Confidence: 0.96

BBox: [x1,y1,x2,y2]

Object 02

Class: person

Confidence: 0.91

BBox: [x1,y1,x2,y2]

此时系统只知道画面中有两个目标。

还不知道：

• 谁进入了门店
• 谁离开了门店
• 是否是同一个人
• 是否为员工
• 是否已经统计过

因此，目标检测精度不能直接等同于客流统计精度。

这两个指标属于不同层级。

---

4. 从Detection到Tracking

Tracking通常需要为目标建立临时ID：

Frame 100

Person A → Track ID 17

Frame 101

Person A → Track ID 17

Frame 102

Person A → Track ID 17

系统由此得到一条轨迹：

T17 = {P100, P101, P102, ...}

再根据轨迹判断移动方向。

例如虚拟线：

Entry Line

────────────┼────────────

│

OUT ←│→ IN

如果轨迹从区域A进入区域B：

A → B = IN

如果从B返回A：

B → A = OUT

这一步解决的是方向问题。

---

5. 为什么还需要Re-ID？

单纯Tracking通常只在连续视频帧中维持目标ID。

当目标短时间消失后重新出现，系统可能重新分配ID。

例如：

Person A

↓

Track ID 21

↓

遮挡

↓

Track lost

↓

重新检测

↓

Track ID 35

实际上：

ID 21 = ID 35

但系统如果不知道这一点，就可能把同一个消费者当成两个目标。

Re-ID的目的，就是利用目标外观特征、轨迹信息、时间信息等建立重新关联。

可以抽象为：

Similarity =

Appearance Similarity

+ Spatial Similarity

+ Temporal Constraint

实际工程中通常还会设置时间窗口和空间阈值，避免无限制匹配。

---

6. 员工过滤属于数据清洗层

员工数据是零售客流系统中的典型噪声。

例如员工一天可能经过入口几十次。

如果每次都计入客流：

Raw Traffic = Customer + Staff

转化率会被压低。

一种常见思路是建立员工特征库：

Employee Feature

↓

Embedding

↓

Feature Database

↓

Similarity Matching

↓

Staff / Non-Staff

需要注意：

员工识别准确率和客流统计准确率不是同一个指标。

工程测试时应该分别记录：

Counting Accuracy

Staff Recognition Accuracy

Re-ID Accuracy

Direction Accuracy

否则一个指标无法解释整个系统性能。

---

7. 有效客流的计算

经过过滤后，可以建立一个简化模型：

Effective Traffic

=

Valid Entry Events

-

Staff Events

-

Duplicate Events

-

Invalid Events

例如：

Raw Entry = 1000

Staff = 80

Duplicate = 60

Invalid = 20

则：

Effective Traffic

= 1000 - 80 - 60 - 20

= 840

这里的840才适合进入后续消费者转化分析。

---

8. 为什么转化率会因此发生变化？

假设POS系统记录：

Orders = 120

如果使用原始客流：

Conversion

= 120 / 1000

= 12%

如果使用有效客流：

Conversion

= 120 / 840

≈ 14.29%

销售订单没有变化。

变化的是分母。

所以：

客流误差会直接传递到转化率。

这也是有效客流最核心的技术价值。

---

9. 建议测试哪些技术指标？

一个完整的客流系统不应该只测试“准确率”。

建议至少建立以下指标：

指标	含义
Counting Accuracy	人数统计准确率
Direction Accuracy	进出方向准确率
Tracking ID Accuracy	轨迹关联准确率
Re-ID Accuracy	重复目标识别准确率
Staff Recognition	员工识别准确率
False Positive Rate	无效目标误报率
False Negative Rate	漏检率
Latency	单帧或事件处理延迟
FPS	视频处理帧率

不同部署环境还需要分别测试：

Daylight

Low Light

Backlight

Crowded Scene

Occlusion

Multiple Entry

Narrow Entrance

Wide Entrance

只有在不同场景下测试，才能知道系统到底在哪些条件下产生误差。

---

10. 结论

有效客流不是一个简单的计数结果。

它实际上是一个数据处理结果：

采集

↓

检测

↓

跟踪

↓

方向判断

↓

员工过滤

↓

重复识别

↓

事件生成

↓

数据聚合

↓

有效客流

因此，判断一个AI客流系统是否可靠，不能只看宣传中的单一准确率。

真正应该观察的是完整的数据链路，以及每一层的误差来源。

对于需要计算门店转化率的系统来说，有效客流是连接视觉数据与销售数据的重要中间层。