一、客流去重为什么不能只依赖目标跟踪？
在入口客流统计中，目标跟踪通常用于维持同一摄像头连续视频帧中的目标身份。例如，系统检测到一个行人后，通过连续帧关联，为其分配临时 Track ID。
问题在于，Track ID通常只在当前跟踪任务或特定时间段内有效。当行人离开视野后再次进入、跟踪发生中断，或者同一访客在不同设备下被重新检测时，系统可能为其创建新的 ID。
因此，目标跟踪与 Re-ID 解决的是不同问题：
目标跟踪（Tracking）：判断连续视频帧中的目标是否为同一对象。
行人重识别（Person Re-ID）：判断不同图像或不同观测记录中的行人是否可能属于同一对象。
访客去重（Visitor Deduplication）：将 Re-ID 匹配结果与时间、轨迹、入口事件等信息结合，决定是否重复计数。
在客流系统中，Re-ID并不是简单地给行人分配一个永久身份，而是为重复观测之间的关联提供特征和匹配依据。
二、Re-ID的核心技术流程
典型的行人 Re-ID 模型可以拆分为目标检测、特征提取、相似度计算和匹配决策四个阶段。
1. 行人检测与目标裁剪
输入视频帧首先经过行人检测模型，输出目标边界框：
[
B_i=(x_i,y_i,w_i,h_i)
]
其中，(x_i,y_i) 表示目标位置，(w_i,h_i) 表示目标框宽高。
检测结果用于裁剪行人区域，降低背景、货架和其他物体对后续特征提取的干扰。
检测阶段需要关注漏检、多人遮挡、边界框偏移和小目标问题。检测框不稳定时，即使 Re-ID 模型本身表现良好，也可能得到不一致的特征。
2. 特征向量提取
裁剪后的行人图像输入深度神经网络，输出固定维度的特征向量：
[
\mathbf{f}i=F\theta(I_i)
]
其中，(I_i) 是行人图像，(F_\theta) 是训练完成的特征提取网络，(\mathbf{f}_i) 是用于比较的嵌入向量。
模型训练的目标，是让同一人的不同观测在特征空间中更加接近，同时让不同人的特征具有足够的区分度。实际模型可以使用分类损失、度量学习损失或二者组合进行训练。
例如，系统在上午和下午分别检测到同一访客。由于姿态、光照和携带物品可能发生变化，两次图像的像素并不相同。Re-ID通过学习到的特征表示，尝试保留相对稳定的外观信息。
需要注意：特征向量不是天然可靠的身份凭证。服装相似、视角变化和遮挡都可能导致特征混淆。
3. 相似度计算
若特征向量经过 L2 归一化，可以使用余弦相似度进行比较：
[
s(\mathbf{f}_a,\mathbf{f}_b)=
\frac{\mathbf{f}_a^\top\mathbf{f}_b}
{|\mathbf{f}_a|_2|\mathbf{f}_b|_2}
]
归一化后，分数越接近 1，代表两个向量的方向越接近。但高相似度并不等于确定为同一人，阈值必须通过目标场景的验证数据确定。
系统可以将新特征与候选历史特征比较，再根据相似度排序、时间窗口和轨迹约束筛选候选对象。
4. 匹配决策与去重
实际应用中，不宜只使用单一相似度阈值。一个可落地的匹配规则可以同时考虑：
特征相似度是否超过阈值；
两次观测的时间间隔是否合理；
入口方向和运动轨迹是否存在冲突；
候选记录是否属于同一统计区域；
当前事件是否已经被计数。
例如，同一访客在入口附近短暂折返，系统可能检测到多个轨迹片段。若特征匹配成立，且时间与空间约束也合理，系统可以将新轨迹关联到已有访客记录，而不是直接新增一个独立访客。
这类规则可以减少重复计数，但必须避免把不同访客错误合并。
三、面向客流系统的处理架构
推荐将处理过程拆分为以下模块：
视频帧输入 ↓ 行人检测与轨迹跟踪 ↓ 质量筛选与特征提取 ↓ Re-ID候选匹配 ↓ 时间、轨迹与区域约束 ↓ 访客事件关联与去重 ↓ 进出计数、记录存储与统计输出对于边缘侧设备，检测、特征提取和候选匹配可以部署在本地处理链路中。若涉及多设备关联，则需要额外设计统一的事件标识、设备时间同步、匹配范围和记录生命周期。
跨设备去重并不等于将各设备生成的 Track ID 直接拼接。不同设备的跟踪 ID 通常没有全局一致性，必须经过特征匹配和业务规则验证。
四、如何评估 Re-ID 在客流去重中的效果？
评估时需要区分模型指标与业务指标。
| 指标 | 评估内容 |
|---|---|
| Rank-1 | 正确匹配对象是否排在第一位 |
| mAP | 多候选检索任务中的整体排序表现 |
| Precision | 被判定为重复访客的记录中，实际重复的比例 |
| Recall | 所有真实重复记录中，被成功识别的比例 |
| 去重后计数误差 | 系统统计结果与人工核验基准的差异 |
| 单次推理延迟 | 模型完成一次特征提取或匹配所需的时间 |
Rank-1和mAP是常见的 Re-ID 检索评估指标，但不能直接代替客流计数准确率。实际系统还受到行人检测、轨迹关联、事件规则及部署环境影响。相关评估方法可参考行人重识别基准研究与综述。
建议在测试中分别统计误匹配、漏匹配和重复计数情况，并按拥挤程度、停留时间、光照、视角和设备间隔进行分组分析。
五、为什么 Re-ID 在实际部署中仍然存在误差？
首先，外观特征会受到衣着变化、背包遮挡、人体姿态和光照条件影响。其次，入口区域可能出现多人并行、短时遮挡或目标交叉，导致检测框与轨迹发生错配。最后，跨设备部署还会遇到摄像头安装高度、视角、图像质量和设备时间不同步的问题。
因此，Re-ID应被视为访客关联系统中的一个核心模块，而不是独立解决全部计数误差的算法。
对于以边缘端为主的客流设备，合理的设计是将 Re-ID 与目标跟踪、事件状态管理及去重规则共同实现，并通过真实场景测试确定模型阈值和记录保留周期。
六、总结
Re-ID通过学习行人外观特征，为不同时间、不同轨迹或不同设备下的重复观测提供匹配依据。客流系统需要在此基础上结合轨迹、时间、区域和计数事件，才能将算法匹配结果转换为可靠的访客去重结果。
工程上最重要的不是单独追求一个较高的 Re-ID 分数，而是验证整个系统在实际入口环境中是否减少了重复计数，同时控制误合并和漏匹配。
