人员计数和占用分析的实际工作原理

多数客流统计项目在选择任何传感器之前就已出错，因为“有多少人”实际上对应四种不同的测量，而团队往往会选错。一天内的进入人数、此刻在场人数、每个人停留的时间，以及排队人数，都需要不同的感测方式、安装位置和精度。能够准确统计进场人数的系统，可能无法准确报告在场人数；针对在场人数调优的系统，则可能完全漏掉短暂进场的人。

本指南将这些测量区分开来，客观比较各种感测方法（WiFi 和 BLE、红外光束、飞行时间、热成像、立体视觉和基于摄像头的视觉），并介绍值得购买的产品，以及团队如何使用 Ultralytics YOLO 模型自行构建基于摄像头的计数系统。

四种测量，而不是一种#

在场人数是最容易让团队意外的一项。用进场人数减去离场人数来推算在场人数，意味着每次计数错误都会累积：每次有人经过入口时哪怕只有微小的方向判定误差，到关门时也会让计数出现明显偏差。需要可靠统计在场人数的系统，要么直接感测整个区域，要么在已知无人状态时重置计数，通常是在夜间进行。

感测方法比较#

真正的权衡在于背景信息与简单性。安装在门上方的 ToF 传感器能非常出色地完成一项工作，但无法告诉你其他信息。基于摄像头的视觉可以从同一视频流中提供方向、区域、停留时间、队列和目标类别等信息，但需要应对光照、遮挡和计算资源方面的问题。

对于只关心进场人数的单个入口，顶部安装的 ToF 通常是更合适的工程方案，也更容易沟通隐私问题。对于多区域分析、队列分析，或需要结合其他检测结果的计数任务，视觉是能够扩展以满足需求的方法。

哪些因素会导致计数精度下降#

供应商公布的精度数据往往是在很少能反映真实部署情况的条件下测得的。以下因素会影响实际精度：

• 人群和并排行走。两个人肩并肩通过宽门口，是典型的少计情况。与传感器标称精度相比，门口宽度相对于传感器覆盖范围更为重要。
• 遮挡。手推车、雨伞、行李、高大的展示架和密集人群会遮挡任何需要清晰视野的方法。
• 摄像头角度。用于计数时，俯视角度远比斜视角度准确，因为斜视画面中，人会彼此遮挡。把安全摄像头改作计数用途时，角度过低是最常见的效果不佳原因。
• 光照。日出和日落时逆光的入口是视觉系统最难应对的情况，反光地面和玻璃门也是如此。
• 在门口徘徊。有人站在门口交谈时，如果没有持续性规则，就可能产生重复过线记录。
• 哪些人算访客。员工、清洁人员、送货人员和路过的人，通常是系统结果与人工审计结果产生分歧的最大单一来源。这是定义问题，而不是感测问题。
• 多摄像头重复计数。除非将区域定义为互不重叠，或在摄像头之间交接跟踪轨迹，否则重叠的视野会把同一个人计算两次。

无论部署什么系统，都要在最差条件下与人工计数结果进行验证：最繁忙的时段、最差的光照、最宽的入口。真正重要的是这些条件下的精度。

采购时值得列入候选名单的产品#

如果目标是客流报告、在场人数仪表板或零售转化率分析，这些都是成熟产品，通常直接购买才是正确选择。Ultralytics 并不是它们的替代品。

Xovis。采用顶部安装的立体视觉传感器，在入口计数、队列管理和区域分析方面精度出色，广泛部署于机场和大型零售场所。最适合计数精度对运营至关重要的环境。需要权衡的是：每个覆盖区域都需要传感器硬件，因此入口越宽、数量越多，成本越高。

V-Count。专注于零售客流统计和分析的平台，涵盖客流量、在场人数和转化率报告。最适合希望开箱即用地获取报告的多门店零售企业。需要权衡的是：面向零售场景设计的分析功能不太适用于工业或园区环境。

Density。面向工作场所的在场人数测量方案，使用其自有的匿名深度传感器，服务于房地产和空间利用决策。最适合优化办公空间的企业房地产组合。需要权衡的是：该产品面向工作场所相关问题，而非零售转化率分析。

FootfallCam。将计数硬件与分析功能相结合，零售场景覆盖面广，传感器选择丰富。最适合希望从单一供应商处获得硬件和报告的零售商。需要权衡的是：型号众多，选型时需要谨慎。

RetailNext。店内分析平台，客流计数是更全面的商品陈列和购物者行为产品的一部分。最适合关注门店表现而不仅仅是客流量的零售商。需要权衡的是：平台功能远超计数，因此定价也相应更高。

Sensormatic ShopperTrak。历史悠久的零售客流计数和基准分析方案，背后拥有大量市场数据。最适合重视比较基准的零售商。需要权衡的是：产品面向企业级零售场景。

Axis。 在 Axis 摄像头上运行的计数应用，适用于已部署 Axis 设备且不希望增加硬件的场景。最适合已统一采用 Axis 的组织。权衡之处：受限于该摄像头生态系统。

Cisco Spaces。 基于现有网络基础设施提供人员占用和位置洞察。最适合希望在大型园区内实现占用统计、又不想新增传感器的场景。权衡之处：基于设备进行感知，因此精度会受到相应限制。

基于摄像头的计数方案#

计数是比较容易上手的视觉项目之一，因此常被用作第一个项目。当计数只是更大系统（例如机器、机器人、场地平台或你要交付的产品）中的一个组成部分、计数必须与现有产品无法提供的检测结果结合，或者视频不能离开场地时，自行构建计数方案就值得考虑。

这条处理流程已经相当成熟。

逐帧检测人员。 Ultralytics YOLO 模型（YOLOv8、YOLO11 和 YOLO26）可用于人员检测，同一个模型还可以在同一轮处理中检测你关心的其他类别：车辆、手推车、叉车。

跨帧跟踪。 计数需要知道第 200 帧中的人就是第 199 帧中的人。Ultralytics 模型支持跟踪，可在一段序列中分配持久且不关联身份的 ID。与检测精度相比，跟踪在遮挡情况下的质量对计数质量影响要大得多。

定义计数区域。 使用线条进行方向性进出计数，或使用多边形统计区域内人员占用情况。根据跟踪目标穿过线条时从哪一侧移动来判断方向。多个摄像头覆盖相邻区域时，应将区域定义为互不重叠，以免同一个人被重复计数。

增加持久性和防抖机制。 要求跟踪目标至少持续 N 帧后才计数，并防止有人在计数线附近逗留时被反复统计。大多数精度提升来自这一层，而不是模型本身。

尽早选择部署目标。 对多个视频流持续进行推理，需要认真考虑实际处理能力。大多数计数应用不需要处理每一帧：根据人员穿过计数线的速度设置帧率，而不是根据摄像头能输出的帧率来设置。Ultralytics 模型可导出为 ONNX、TensorRT 等格式，以便部署在摄像头旁的边缘硬件上，同时也能让视频保留在本地。

使用自己的视频素材进行训练。 通用模型能很好地处理人员检测；但日出时分、带玻璃门和反光地面的特定入口，才是决定实际部署精度的关键。Ultralytics Platform 可通过基于 SAM 的 Smart Annotation 标注这些视频素材，并在同一工作流程中使用这些素材进行训练。

与人工计数进行验证，尤其是在最繁忙时段和光线最差的情况下；摄像头移动后也要重新验证。

如果计数功能将用于商业产品或专有系统，请注意，Ultralytics YOLO 模型采用 AGPL-3.0 许可提供，此类部署通常需要 Ultralytics Enterprise 许可证，该许可证也涵盖私有部署。应在试点项目成为正式交付功能之前解决许可问题。

隐私：计数不应识别任何人#

计数是少数几种可以通过设计真正保护隐私的摄像头应用之一；这样做还能在大多数反对意见出现之前就将其消除。

本文所述的方法都不需要识别个人。 进出人数、占用人数、停留时间和队列长度都可以基于匿名检测结果和不关联身份的跟踪数据完成；这些跟踪数据只会在人员出现在画面中时存在。Ultralytics 不提供用于人脸识别的模型；在计数系统中加入身份识别会大幅增加法律风险，却不会改善上述任何测量结果。

以下设计选择有助于维持这种状态：

• 在本地处理，只保留计数结果。 如果输出是每个时间段的一个数字，就保留数字并丢弃画面。 - 不要在视野范围之外保留跟踪 ID。 跟踪目标到达画面边缘时，跟踪也应结束。跨摄像头或跨访问重新识别同一个人，是一种性质明显不同、所承担义务也明显不同的系统。 - 在可行的情况下按时间段汇总，而不是记录单个事件。 - 张贴告示；如果场景属于工作场所，还应咨询员工代表：这在欧盟许多地区是强制要求，在其他地方也是良好实践。 - 仅需要计数时，优先选择天然匿名的感知方式。 如果 ToF 或热成像能够回答问题，沟通起来会更容易。 - 记录每台摄像头的用途，以便直接开展数据保护评估。

请注意，“没有摄像头”并不自动意味着“隐私保护更好”。WiFi 和 BLE 计数依赖设备标识符，而在许多情况下，根据 GDPR，设备标识符属于个人数据；热传感器如果只输出计数，则完全不处理个人数据。判断方法时应看它保留了什么，而不是看它是否使用镜头。