基于计算机视觉的多柜台客流统计方法研究.pdfVIP

信息记录材料２０２５年５月第２６卷第５期

基于计算机视觉的多柜台客流统计方法研究

吴忠银

（贵州移动信息科技有限公司贵州贵阳５５０００１）

【摘要】针对多柜台环境中客流统计精度和实时性难以平衡的问题，提出了一种基于目标检测算法（ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅｖｅｒｓｉｏｎ４，

ＹＯＬＯｖ４）和长短期记忆（ｌｏｎｇｓｈｏｒｔ⁃ｔｅｒｍｍｅｍｏｒｙ，ＬＳＴＭ）网络信息融合的多柜台客流统计方法。该方法结合ＹＯＬＯｖ４进行高效的人体

检测与跟踪，利用ＬＳＴＭ网络对多视角数据进行时序信息融合，有效解决了多柜台场景中的重复计数与漏计问题。通过ＬＳＴＭ模型

的引入，系统能够更好地处理顾客在多个柜台之间的动态行为，并在复杂的客流分布中保持高精度和实时性。实验结果表明：所提方

法在精度、召回率、Ｆ⁃ｓｃｏｒｅ和实时性方面均优于传统背景减除法、ＹＯＬＯｖ３等对比算法，具备较强的实际应用价值。１

【关键词】智慧门店；计算机视觉；深度学习；客流统计

－－－

【中图分类号】ＴＰ３８９１【文献标识码】Ａ【文章编号】１００９５６２４（２０２５）０５００６２０３

０引言处理中的广泛应用，目标检测技术得到了显著提升。然

随着商业环境和人流管理需求的不断变化，如何高而，随着应用场景的复杂化，多目标检测面临多方面的

效、精准地进行客流统计已成为商业运营和设施管理中的挑战。首先，目标密度较高时，多个目标之间可能发生

关键任务。在零售、交通管理、安防监控等领域，准确的人遮挡或重叠，导致检测算法难以准确区分和定位每个目

流统计不仅有助于提升运营效率，还能帮助优化空间布标。其次，目标物体可能在不同视角下发生形变，或由

局、提高服务质量、减少资源浪费。传统的客流统计方法于姿态、尺度和背景变化而给检测带来困难，要求算法

依赖人工计数或感应器，存在准确性差、成本高、维护复杂具有较强的鲁棒性。在多目标检测领域，目标检测算法

［１］

等问题。随着计算机视觉技术的发展，基于图像处理和（ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ，ＹＯＬＯ）系列以其高效、实时的性能

深度学习的自动化客流统计方法逐渐成为研究的热点，这广泛应用于目标检测任务。ＹＯＬＯｖ４相比之前的版本，

些方法能够通过视频监控数据自动识别和跟踪人群，克服采用了更先进的特征提取网络和优化技术，显著提升了

［２］

传统方法的不足，并显著提高统计精度和效率。在单一检测精度和速度。针对复杂环境中的人体检测，

柜台或单一视角的场景中，已有多项研究提出了有效的客ＹＯＬＯｖ４能够在保持较高准确率的同时，达到较低的计

流计数方法。然而，面对多柜台、多视角的复杂场景，现有算成本。许多研究采用ＹＯＬＯｖ４进行交通流量监测、人

技术仍面临一些挑战。群计数、行为分析等任务，实验表明ＹＯＬＯｖ４能够在复

尽管在传统客流统计方法中取得了一些进展，但多柜杂环境中保持较高的检测精度。尽管如此，在多摄像头

台场景下的客流统计仍存在许多技术难题。首先，多个柜视角的场景下，ＹＯＬＯｖ４仍面临如何融合不同视角信息

台之间的人流分配问题较为复杂，容易出现漏计和重复计［５］

并避免重复计数与漏计的问题。

数。其次，如何在不同环境和设备条件下进行统一的数据１２时序