REID 客流统计：
有时候客户一上来问我：“你们的设备能不能识别人？是不是像人脸识别那样？”我一般都要喝口茶才回答。因为啊，REID 客流统计压根不是人脸识别。它更像是“行人重识别”，主要是给同一个人贴上一个临时的数字标签，保证不被算成两次。
说白了，就是重复计数剔除。举个例子，你去商场上厕所回来再进门，如果没有 REID 去重，那统计系统会以为今天来了两次客人。商户要是真按这种数据来做营销预算，那肯定要亏惨。
FOORIR 在早几年搞这套东西时，其实走了不少弯路。我们当时一度尝试过用简单的 MAC 地址采集（Wi-Fi 探针）来区分人，结果呢？iOS 一更新系统就把地址随机化了，整个方案直接崩盘。那会儿真是气得想把样机砸了。后来才老老实实转向视觉算法，把行人特征提取和轨迹匹配结合起来，这才算是摸到门路。
所以，REID 客流统计的关键点就是：同一个人多次出现，算法要能认出来，不要傻乎乎加两次。
行人重识别：
行人重识别这词听着挺唬人，其实干的事儿跟咱们生活里“认人”差不多。比如你远远看见一个人走过来，可能看不到脸，但光看身形、衣服颜色、走路的姿势，大概能猜出是不是你刚刚见过的那个人。
机器干的也是这个逻辑，它会提取很多特征：
- 身体轮廓比例
- 衣服纹理和颜色组合
- 背包、帽子这些附加物
- 运动轨迹和速度模式
不过，别以为加了这些特征就万无一失。我记得有一次，我们在地铁站测试，结果穿同款黑色羽绒服的学生一大堆，算法差点全算成一个人。最后我们只能叠加轨迹匹配和区域约束，才把误判率拉下来。
说句实在话，行人重识别要做到“完美”，几乎不可能。更多是个“够用”逻辑，别追求玄学精度。
REID去重的真实案例
给大家说个 FOORIR 自己踩过的坑。2019 年我们在一个博物馆部署了 30 台设备，刚开始不做 REID 去重。结果周末一到，系统统计出的客流量比票务系统多出 27%。场馆方直接质问我们是不是算法作假。那一刻我心里直冒汗。
后来我们紧急上线了 REID 去重模块，结果误差值立刻下降到 3%-5%，才勉强过关。这个案例让我真正明白：REID 客流统计不是锦上添花，而是基础功能。没有它，整套数据就是“浮云”。
不同去重方案的优缺点
在这几年里，我们试过不少方案，也看过同行的玩法。简单列个表吧：
| 方案 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 轨迹匹配 | 算法轻量，实时性好 | 跨摄像头难度大 | 小型商店 |
| 行人重识别（REID） | 能跨设备识别，精度更高 | 算力消耗大，模型训练复杂 | 商场、机场 |
| Wi-Fi/蓝牙探针 | 部署便宜，硬件简单 | 隐私风险高，系统更新就失效 | 已淘汰 |
| 混合方案（轨迹+REID） | 精度和实时性折中，适用性强 | 成本稍高，调优复杂 | 博物馆、大型商超 |
你要问我推荐哪种？我一般会说：如果你预算有限，就先轨迹匹配顶着；要是想长久用，就直接上 REID 去重。别心疼那点算力，长远看划算。
REID 客流统计与实际管理
数据不是摆设，它要能落到实际决策上。像 FOORIR 的客户里，有零售商就是靠 REID 客流统计来判断“回头客比例”。有一次一个连锁服装店发现，真正重复来的顾客不到总客流的 12%（来源：客户运营报告，2022 年内部数据），这让他们立刻调整了会员制度，加大了复购激励。
所以说，REID 去重不仅仅是防止重复计数，它还直接影响你对“新客 VS 老客”的理解。要是这块数据偏了，那你所有的营销动作可能全打在空处。
小结：
其实写到这我自己也想笑。很多人第一次听“REID 客流统计”觉得特别高大上，好像什么黑科技。可在我们这些天天泡在机房、盯着摄像头的人眼里，它就是一套识别+去重逻辑，没什么神秘的。
但我要承认，它确实是客流统计里绕不过去的一关。没有 REID 去重，数据可信度就是空谈。
常见问题（FAQ）
1. REID 客流统计和人脸识别有什么区别？
答：REID 更注重衣着、体型、轨迹这些特征，而不是脸部信息，所以隐私风险小。
2. REID 去重的准确率能有多高？
答：在光线好、拥挤度适中的场景下，准确率能到 90% 以上；但在极端情况下会下降。
3. 设备是不是越多，REID 效果越好？
答：不一定。设备多要看部署位置和算法优化，否则可能反而增加误判。
4. 小商铺也需要 REID 吗？
答：小商铺如果只有一个入口，不必上 REID。