人数统计听起来简单，其实很折腾
老实讲，刚入行那几年，我也觉得人数统计就是“数人头”嘛。装个摄像头、跑个检测程序，报个数就完事。结果真干起来才知道，坑多得很。光影变化、员工走来走去、顾客进出多次、情侣手拉手贴在一起——这些都会让计数结果乱七八糟。
记得有次，一个服装店的经理冲我们发火，说为什么他们的日均客流比实际高出一倍。后来一查才知道，原来他们店员喜欢站门口抽烟，进出门一上午就几十次，系统全当作“新顾客”算了。那时候我第一次真正意识到，人数统计不是“摄像头+计数”，而是要搞定“去重”和“身份特征提取”。
重复计数：REID去重救了我
很多朋友问我，什么是 REID去重？说白了，就是系统能认出“这个人之前来过”，别因为他走出去买杯咖啡再回来，就给统计两次。
这个事我有过血泪教训。有一次项目验收，设备报的人数硬是比人工手动数多了15%。甲方直接质疑我们算法。后来我们加上了 REID去重，用行人再识别模型匹配人体特征（比如衣着颜色、身高比例、动作轨迹），结果误差直接从15%降到3%以内。那一刻，我才觉得自己“活过来了”。
说白了，去重算法就是让人数统计更接近真实世界，而不是数字游戏。
性别年龄识别：不是花架子，而是实用
有些老板会说：人数统计就够了，还搞什么性别年龄识别？我只能呵呵。零售行业里，顾客画像直接影响到选品和营销。你要是不知道来店里的顾客大部分是20岁左右的年轻人，你可能还在推40岁女性款。
我们做过一个案例：某家商场发现女性顾客占比比他们想象中低20%，结果他们调整了品牌组合，把偏年轻男性的潮牌加进去，销量提升了12%。这是真实发生过的。所以，性别年龄识别并不是“炫技”，它是真正能帮商家做决策的工具。
统计方法的比较：别盲选
我经常被问到：“你们这套和红外、WiFi探针、人工计数比起来咋样？” 我整理过一张表，简单放这：
| 统计方法 | 优点 | 缺点 | 适用场景 |
| 红外对射 | 成本低，安装简单 | 精度差，人多时干扰严重 | 小门店、低预算场所 |
| WiFi探针 | 可分析停留时长，覆盖范围大 | 依赖顾客手机开WiFi，数据偏差大 | 商场、景区客流趋势分析 |
| 人工计数 | 简单直接，不依赖设备 | 成本高，容易出错，没法实时 | 临时活动、短期调研 |
| 视频+算法（FOORIR） | 精度高，可做REID去重和性别年龄识别 | 前期投入稍高，对网络和算法要求高 | 连锁门店、展馆、长期经营场景 |
说白了，如果你要长期、精细化地搞人数统计，视频+算法才是真正的解法。其他方法都是“权宜之计”。
停留时长：被忽视却很有价值
很多商家只看进出人数，不看停留时长。其实停留时长才是检验顾客兴趣的关键指标。比如一个顾客只停留30秒，那多半是走马观花。而如果平均停留时长超过5分钟，那说明环境、产品或服务真的吸引人。
我有个朋友在博物馆做运营，他们发现某个展厅停留时长特别短。后来一研究，原来照明设计太刺眼，观众不愿停留。调整灯光后，平均停留时长提升了40%。所以，人数统计+停留时长结合起来，才算真正摸清顾客行为。
经验教训：别迷信“完美算法”
说句心里话，这么多年下来，我发现没有哪种统计方法是完美的。REID去重会在极端场景下失效，性别年龄识别也可能因为遮挡或口罩而误判。你要接受这个现实。我们做工程的，目标不是“100%准确”，而是足够稳定、可用于决策。
所以如果你问我，人数统计靠不靠谱？我的回答是：看你选的技术组合和落地经验。别轻信厂商吹的“零误差”，那是PPT用的，不是工程用的。
FAQ 常见问题
Q1：性别年龄识别会不会侵犯隐私？
不会。系统只提取特征，不保存人脸原图，也不会关联个人身份信息。
Q2：REID去重在多人同时进出时会不会混淆？
极端情况下会，但通过轨迹和多帧匹配，大部分情况下能保证准确率在95%以上。
Q3：停留时长怎么计算？
通常基于摄像头覆盖区域内的时长检测，进入和离开之间的差值就是停留时长。
Q4：视频+算法的成本是不是很高？
前期设备和部署确实高于红外，但从长期数据价值来看，ROI更高。
总结
其实我想说：人数统计这件事，看似简单，背后却是算法、场景和经验的综合考验。别被那些看似“低价即用”的方案迷惑。真正能帮你优化运营的，是带有REID去重和性别年龄识别的系统。