客流统计系统的精度从哪里来？基于云边架构的技术拆解

1. 系统问题定义

客流统计可抽象为一个事件检测系统：

• 输入：连续传感器数据流（视频 / 深度）
• 输出：跨越空间边界的计数事件

核心不是“识别人数”，而是：

• 多目标检测（Detection）
• 时序跟踪（Tracking）
• 轨迹事件判定（Event）

2. 云边协同架构

典型部署结构：

[Sensor]
   ↓
[Edge Node]
   - Detection
   - Tracking
   - Event Trigger
   ↓
[Message Queue / MQTT]
   ↓
[Cloud Service]
   - Aggregation
   - Storage
   - Analytics

3. 边缘侧处理（Edge）

3.1 推理性能约束

目标：

• 单帧处理时间 < 帧间隔（实时性）
• FPS ≥ 15

3.2 模型选择

• 轻量模型：YOLOv5-n / MobileNet
• 输入分辨率：320×320 / 640×640

权衡：

• 分辨率 ↑ → 精度 ↑ → 延迟 ↑

4. 跟踪与事件模块

4.1 Tracking

使用：

• Kalman Filter（状态预测）
• Hungarian Matching（ID匹配）

状态向量：

[x, y, vx, vy]

4.2 事件触发

定义虚拟边界：

if prev_pos < line and curr_pos >= line:
    trigger_event()

4.3 抖动控制

引入状态机：

IDLE → ENTERING → CONFIRMED → EXIT

避免边界反复触发

5. 云端处理

5.1 数据聚合

• 时间粒度：分钟 / 小时
• 数据结构：

{
  "timestamp": "...",
  "in": 12,
  "out": 9
}

5.2 误差修正

方法：

• 滑动窗口平滑
• 异常值剔除（Z-score）

6. 精度与误差

误差来源：

Error = FN + FP + ID Switch

典型范围：

7. 网络与带宽

边缘上传

• 仅上传统计结果：
  • < 1 KB/s

视频上传（可选）

• 720p：1–2 Mbps

8. 结论

客流统计系统的稳定性依赖：

• 边缘侧实时检测与跟踪能力
• 云端聚合与校准机制
• 网络稳定性与延迟控制