一、为什么客流统计不能只看人数？
对于零售门店、购物中心和连锁品牌来说，客流数据是评估经营表现的重要依据。但一个容易被忽视的问题是：设备记录的通行次数，不一定等于真实访客数量。
例如，一名顾客上午进入商店，离店后又回来购物。如果系统将两次进入都计为两名新访客，那么当天的访客数量就会被高估。对于设有多个入口的商场，同一名顾客从不同入口经过统计区域，也可能产生重复记录。
这正是客流统计中的访客去重需要解决的问题。
传统客流统计主要关注有多少人经过入口，而更完善的智能客流系统还需要判断：哪些记录属于同一个人？哪些是新的访问？同一名访客在不同设备之间移动时，应该如何避免重复计算？
随着 AI ReID 技术的发展，客流统计正在从简单的进出人数记录，逐步转向更准确的独立访客统计与有效客流分析。
二、什么是客流统计中的访客去重？
访客去重（Visitor Deduplication），是指通过算法识别重复出现的访客记录，并按照预先设定的统计规则合并或排除重复记录，避免同一名访客被多次计入独立访客数量。
需要注意，访客去重并不意味着所有重复进入都应该删除。具体如何处理，取决于企业需要统计什么指标。
例如：
- 进出次数： 记录每一次符合规则的进入和离开，反映入口通行情况。
- 独立访客数： 在指定统计周期内，尽可能识别不同的访客，同一人不因多次出现而重复计入。
- 重复访问次数： 统计访客在同一周期内再次进入的情况，用于分析回访行为。
- 跨设备去重： 在技术支持的范围内，关联不同设备或检测区域中的同一访客，减少重复统计。
假设某门店一天记录了1,000次进入事件。其中，经过系统识别和人工抽样核验，有200次属于已经记录过的访客再次进入。那么，按这个示例的统计口径，独立访客数为800，而不是1,000。
这只是用于解释原理的简化示例。实际系统的去重结果取决于识别能力、统计周期、场景条件以及去重规则，不能仅凭进入次数直接推断。
三、AI ReID是什么？它如何识别重复访客？
**AI ReID（Re-Identification，人员再识别）**是一类利用人工智能提取和匹配目标特征的技术。它的核心任务是判断不同时间或不同检测位置出现的目标，是否可能属于同一个人。
在客流统计场景中，AI ReID可以将人员检测、特征提取、相似度匹配和轨迹关联结合起来，帮助系统识别重复出现的访客。
1. 人员检测：先确定画面中有谁
系统首先通过视觉算法检测人员，并确定其在检测区域中的位置。
在使用双目立体视觉等技术的设备中，深度信息还可以辅助判断人体的位置、距离和空间关系。相较于只依赖简单遮挡变化的计数方式，这类信息有助于改善部分复杂场景下的人员检测效果。
2. 特征提取：形成可用于匹配的数据
检测到人员后，AI模型可以提取用于再识别的特征，例如人体轮廓、服装颜色与纹理、身体比例以及其他可用的视觉特征。
这些特征可以转换为数值表示，供算法进行相似度比较。系统不必知道一个人的姓名，也可以尝试判断两个检测结果是否属于同一目标。
不过，AI ReID并不天然等于匿名或完全不涉及个人数据。具体隐私风险取决于系统采集什么信息、是否保存图像或特征、如何关联数据，以及相关法律要求。采用隐私保护设计，可以减少不必要的数据采集和存储。
3. 特征匹配：判断是否为同一访客
当同一人再次经过入口，或出现在另一个检测区域时，系统会将新提取的特征与已有记录进行比较。
算法通常会结合特征相似度、出现时间、空间位置和运动轨迹等信息，评估两条记录是否可能属于同一个人。
如果匹配结果符合系统设定的阈值和规则，就可以将相关记录关联起来，避免在独立访客统计中重复计数。
4. 统计修正：按照业务规则输出结果
完成匹配后，系统再根据统计目标处理记录。
例如，独立访客报表可以合并重复访客记录；进出事件报表则可以继续保留每次有效通行；回访分析还可以单独统计重复进入行为。
因此，AI ReID提升客流统计准确性的关键，不只是识别同一个人，更在于把识别结果正确应用到统计规则中。
四、AI ReID如何提升客流统计准确性？
1. 减少重复进入造成的数据偏差
在普通计数系统中，同一名顾客多次进入可能被记录为多个进入事件。AI ReID可以辅助判断这些事件是否来自同一访客，从而改善独立访客数量的统计质量。
对于重复进出较多的门店，这种能力尤其重要。但需要区分独立访客数与进入次数，两者衡量的是不同的业务指标。
2. 改善多入口和跨区域统计
大型商场、购物中心和多入口门店的统计难点之一，是同一名访客可能经过多个检测点。
如果各设备独立统计，简单汇总就可能将同一人计算多次。具备跨设备关联能力的 AI ReID 系统，可以在设备覆盖、时间同步和匹配条件允许时，尝试关联不同区域的检测记录。
需要强调的是，跨设备去重必须有相应的系统架构支持。单台设备具备人员再识别能力，并不意味着它可以自动完成整个商场的跨摄像头去重。
3. 为有效客流分析提供更可靠的数据
对于零售企业，原始进入人数只是分析起点。员工反复经过入口、配送人员进出，以及同一顾客重复进入，都可能影响部分业务指标。
AI ReID可以在相应功能得到支持、并经过场景验证的前提下，帮助识别重复访客，并辅助员工过滤等功能改善数据质量。
这里也需要区分不同能力：访客去重不等于员工排除。去重解决的是同一目标是否被重复记录；员工排除则需要额外的员工识别规则或员工标签等机制。两项功能可以协同使用，但不能相互替代。
4. 降低转化率分析中的分母误差
零售转化率通常以交易数量除以相应口径的访客数量计算。如果分母采用独立访客数，却把重复进入全部算成新访客，计算结果就可能偏低。
举例来说，某门店完成100笔交易。如果统计的独立访客为1,000人，转化率为10%；如果实际只有800名独立访客，按相同的简化计算方式，转化率则为12.5%。
这个例子说明，访客口径会影响经营指标。实际应用时，还需要确保交易统计和访客统计的时间范围、门店范围及计算口径一致。
五、传统客流统计与 AI ReID 有什么区别？
| 对比维度 | 基础客流计数 | 支持 AI ReID 的客流系统 |
|---|---|---|
| 核心目标 | 统计人员进出事件 | 在计数基础上关联重复出现的目标 |
| 重复进入 | 通常按检测规则分别计数 | 可根据去重规则识别重复记录 |
| 多入口统计 | 需要额外关联机制 | 系统支持时可进行跨设备匹配 |
| 独立访客分析 | 能力取决于具体技术 | 更适合开展再识别与去重分析 |
| 员工排除 | 通常需要单独配置 | 可结合独立的员工识别机制 |
| 主要限制 | 遮挡、并排行走及重复通行等 | 特征相似、服装变化、遮挡及匹配错误等 |
这并不意味着 AI ReID 在所有环境中都优于其他技术。不同方案的效果受到传感器类型、安装位置、客流密度、设备覆盖和算法设计等因素影响。选型时应比较实际测试结果，而不是只看技术名称。
六、如何评估访客去重效果？
如果企业准备采购或升级客流统计系统，建议重点检查以下四个方面。
第一，明确统计口径。 先确定需要的是进出事件数、独立访客数，还是重复访问次数，并明确去重周期。按天去重和按月去重可能产生完全不同的结果。
第二，进行人工对照测试。 在固定时段内，由人工记录进入人数、重复进入事件及必要的人员类别，再与系统输出进行比较。测试应覆盖正常时段、客流高峰和多人同时经过等情况。
第三，验证跨设备能力。 如果项目涉及多个入口或多个楼层，应单独测试同一访客跨设备移动时的关联效果，不能直接用单台设备的测试结果代替。
第四，检查错误匹配。 除了关注重复访客是否成功识别，还应检查不同访客是否被错误合并，以及同一访客是否被错误拆分为多个对象。只看去重后的总人数，很难判断算法是否真正准确。
可靠的评估应同时关注原始计数误差、重复识别效果、错误合并情况和系统稳定性，并记录测试环境与统计规则。
七、关于访客去重与 AI ReID 的常见问题
FAQ 1：访客去重会不会把顾客的二次进店删除？
不一定。访客去重的目标是避免重复计算独立访客，而不是删除所有再次进入的事件。如果企业需要分析回访率或重复进店行为，系统应保留相应事件，并按照业务规则生成独立访客数和重复访问数据。
FAQ 2：AI ReID 是不是人脸识别？
不是。AI ReID的核心是对不同检测结果进行目标关联，而人脸识别主要利用面部特征进行身份识别。某些ReID系统可以在不使用人脸识别的情况下运行，但具体系统是否采集、处理或保存个人数据，需要以实际设计为准。
FAQ 3：AI ReID能否实现100%访客去重？
不能仅凭技术名称作出这样的保证。服装相似、人员遮挡、光照变化、客流密集和设备覆盖不足，都可能影响匹配结果。应要求供应商提供与实际场景相符的测试数据，并通过现场对照验证效果。
FAQ 4：单台客流设备支持ReID，就能实现整个商场的去重吗？
不一定。全场去重通常需要跨设备的数据关联能力、合理的设备部署、统一的时间基准以及明确的匹配规则。采购时应确认设备端和平台端分别承担哪些功能。
FAQ 5：访客去重为什么对连锁零售特别重要？
连锁企业通常需要横向比较不同门店的客流、转化率和经营表现。如果各门店的重复进入比例或统计口径不同，简单比较原始人数可能产生误判。统一统计规则，并通过去重和现场校验改善数据质量，有助于提升门店之间的数据可比性。
八、结语：从统计进入人数，到理解真实访客
客流统计的价值不只是得到一个数字，而是让这个数字能够支持可靠的经营判断。
访客去重帮助企业区分通行事件与独立访客，AI ReID则通过人员特征匹配和记录关联，为减少重复统计提供技术支持。对于多入口、重复进店较多或需要精细分析转化率的零售场景，这类能力具有实际意义。
但技术效果不能只看宣传参数。企业还需要结合设备覆盖、去重规则、员工排除能力和现场测试结果，判断系统是否真正适合自身业务。
只有统计口径清晰、识别结果经过验证，客流数据才能从简单的计数结果，转化为更值得信赖的经营依据。
