两位集成商站在同一个商场入口前，统计同样的八小时，报出的总数却相差几个百分点。人们的第一反应往往是怪算法。但实际中，算法很少是决定性因素。真正有差异的是它底层的感知方式——以及这种方式在物理上能否看到模型做出判断所需的信息。
本文比较三种常被统称为“客流统计摄像头”的感知方案：2D AI、3D 双目（立体视觉）和 3D ToF。目的不是评出胜负，而是帮你把传感器与具体的门匹配起来，因为对于狭窄的精品店入口和六米宽的商场中庭，正确答案会完全不同。
三种方案，被压缩进一个误导性的标签
“2D 与 3D 之争”是一个方便的货架标签，却掩盖了每一阵营内部的真实差异。
2D AI 客流统计
一个图像传感器、一个深度学习检测器和一个跟踪器。检测器在画面中找到人；跟踪器跨帧跟随他们并赋予方向；设备输出进出计数、各区域的存在情况，并在某些配置下输出停留时长。
这种方案所知的一切都来自 2D 图像平面：颜色、纹理、形状、运动。它并不直接掌握距离或高度信息。这既是它的经济之处，也是它的局限。
3D 双目（立体视觉）
两枚镜头位于固定的基线之上。设备通过匹配两幅图像之间的特征来计算视差，并推导出场景中每个区域的深度。高度和距离由此成为测量值，而不再是推断值。
正是景深让双目摄像头能够区分画面中重叠的两个人、忽略墙上的类人形陈列，并排除抛光地面上的阴影或倒影。由于计数可以基于高度区间来进行，设备无需识别人脸或衣着即可完成工作——这在隐私敏感的空间里是一项很有用的特性。
3D ToF（飞行时间）
ToF 投射调制红外光，并测量每个像素的返回时间，从而生成直接的深度图像。它在极弱光下表现良好，且不像立体匹配那样依赖表面纹理。代价在于工作距离、照射功率，以及当多台 ToF 设备覆盖同一区域时需要规划干扰问题。
“准确率”其实是三个不同的问题
在比较任何规格之前，先区分采购者通常所说的准确率其实包含的三件事：
- 计数准确率——在一小时、一天、一周的时间跨度上，进出总数是否与实际情况相符？这决定了转化率的数据来源。
- 跟踪稳定性——一个人在店内移动时，是否始终保持一条连贯的轨迹？这决定了停留时长和热度图的数据来源。一台设备可能在其中一项上很强，在另一项上却平平，而这两者常常被当作一个数字来出售。
- 密集客流下的表现——在一天中最糟糕的十分钟里会发生什么？多数准确率声明都是在舒适条件下测得的，而高峰时段恰恰是项目真正出问题的地方。
如果没有这三者，一个“95% 准确”的醒目标语毫无意义。在评估一台设备时，要问清楚：测量的是哪一项指标、在什么条件下测得、由谁测得。
并列对比
| 维度 | 2D AI | 3D 双目（立体视觉） | 3D ToF |
|---|---|---|---|
| 景深信息 | 无（从图像推断） | 逐像素，通过视差 | 逐像素，通过光传播时间 |
| 无清晰门线的宽阔开口 | 弱 | 强 | 强 |
| 画面中两人重叠 | 常被合并 | 通常可由景深区分 | 通常可由景深区分 |
| 真人 vs. 海报、模特、倒影、阴影 | 弱 | 强 | 强 |
| 极弱光 | 取决于模型 | 取决于可用光线 | 强 |
| 标定负担 | 极小 | 需要立体标定 | 需规划照射与距离 |
| 算力与功耗 | 最低 | 较高 | 较高 |
| 相对硬件成本 | 最低 | 中等 | 最高 |
什么时候 2D 真的够用
2D 并不是预算有限时的将就之选。对于相当大一部分真实零售门店的门来说，它是正确的工程选择，在这些地方指定景深硬件，等于把钱花在一个你并不存在的问题上。
当满足以下条件时，2D AI 通常表现良好：
- 通道狭窄，且基本上单列通行。 标准门扇或一到两米宽的走廊，人们一次通过一两人，能为跟踪器提供干净、互相分离的目标。
- 客流偏低至中等。 精品店、诊所、单品牌门店以及大多数临街店铺，很少出现会给 2D 跟踪造成压力的密集重叠人群。
- 你主要需要客流量和方向。 如果所要支持的决定是“有多少人进店、在什么时候进店”，2D AI 能很好地回答。
- 视角为俯视，且环境可控。 从正常天花板高度向下俯视，配合稳定的光线和哑光地面，能消除大多数典型的 2D 失效模式。
- 你要在大量门店推广。 当项目是四十家门店而不是一家旗舰店时，单门节省下来的费用足以支撑整个分析层。在连锁规模上，覆盖范围通常比单门精度更重要。
2D 诚实的局限：它无法可靠地区分一起穿过的一小群人，可能被画面中的类人形静态物体欺骗，也没有可用于过滤的高度信息。
什么时候应当坚持选择 3D
当物理场景本身存在歧义时，就应当改用景深感知——而不仅仅是因为客流繁忙。
- 人们并排通行的宽大入口。 净开口约两米及以上：购物中心大门、双开门、没有门槛的开放式店面。
- 没有实体门线的空间。 商场中庭、大厅、有多条进入路径的开放式零售区。在这些空间中于 2D 画面上划一条虚拟线，正是准确率悄然崩塌之处。
- 密集的同时通行。 活动日、促销期间、周末高峰，十几个人在几秒内一起通过。
- 高天花板。 摄像头离被摄对象越远，一个人占据的像素越少，景深的价值就越大。
- 复杂的光学环境。 抛光地面、玻璃幕墙、镜子、模特、超大尺寸的营销立牌，以及阳光强烈、阴影明显的入口。
- 依赖轨迹的分析。 可靠的区域停留和热度图，需要能够挺过遮挡的轨迹——这首先是景深问题，其次才是算法问题。
- 基于高度的过滤。 景深让你只对处于合理人体高度区间内的对象进行计数，从而把推车、宠物和低矮陈列从样本中排除。
景深感知设备还能简化隐私方面的讨论，因为基于高度和体积的识别完全不需要人脸或身份数据。
成本与总拥有成本
硬件上的差距是真实存在的，但它并不是全部账单。有三项成本是联动的：
- 设备成本。 景深感知设备的单台摄像头价格高于 2D AI 设备。相对而言：2D 最低，双目居中，ToF 最高。
- 安装与标定。 双目需要标定；ToF 需要规划照射与距离；两者都要求正确的安装高度。要预留工程时间，而不仅仅是硬件预算。
- 平台授权。 许多分析平台按通道或按设备授权，因此设备决策会在整个门店网络中成倍放大。
还有一项从不出现在报价单上的成本：糟糕的数据。如果周六一扇宽阔的门漏计了，那么所有建立在这个数字之上的排班、布局和营销决策都是错的——而且每周都在悄无声息地错下去。
多数有经验的集成商最终采用的务实模式是混合搭配：在难处理的门安装景深感知摄像头，在几何结构简单的地方一律用 2D AI。在整个门店网络中采用单一统一技术，很少是最优的规格选择。
一份一周内就能完成的选型清单
- 测量门，而不是整个门店。 净开口宽度、安装位置处的天花板高度、进入路径的几何结构、地面材质、玻璃、直射阳光。
- 取峰值，而不是平均值。 促销期间最糟糕的十五分钟是怎样的，同时通过的有多少人？
- 写下数据将驱动的决策。 只需要客流量和转化率？2D 可能就足够了。需要区域停留和热度图？那就更看重景深。
- 在同一扇门上试点两种技术，持续一到两周。
- 对结果进行实测校验。 在几个三十分钟的时间窗口内人工计数，比较每小时的曲线，而不是只看一个醒目的百分比。还要检查方向平衡：在人们通常有进有出的空间里，长时间来看进与出的总数应当彼此接近。
常见问题
3D 总是比 2D 更准确吗？ 不是。在狭窄、单列通行且光线可控的入口，安装得当的 2D AI 摄像头在计数准确率上可以媲美景深摄像头，而成本只有其一小部分。3D 在场景产生歧义时才有明显优势：宽阔开口、人员重叠、反光表面，以及摄像头到被摄对象的距离较远。
2D 摄像头能应付繁忙的门店吗？ 它可以给出有用的总数，但在密集同时通行时误差会更大。在零售场景中，高峰十分钟的准确率通常正是数字用的地方，因此那才是最要紧的误差。
3D 摄像头会识别个人或存储他们的图像吗？ 基于景深的计数依据高度和体积工作，因此不需要人脸识别。合规性仍取决于整个部署方案——留存设置、视频流的存储方式以及当地法规。请选择能让计数数据与视频相互分离的设备与平台。
双目还是 ToF——哪个更好？ 双目适合宽阔明亮、场景中有足够纹理的入口。ToF 在极暗环境中表现更稳，也不依赖表面纹理，代价是需要规划工作距离和照射。两者都需要正确的安装高度。
如果我的连锁店既有宽门也有窄门呢？ 这是常态。为有歧义的门指定景深感知摄像头，其余的一律用 2D AI，并在两者之上运行同一个分析平台，以保证报表口径可比。你可以在我们的产品系列中看到这两类产品，在我们解决方案页面中看到针对不同行业的部署说明。
试点需要运行多久？ 两周通常能涵盖一个正常的周末再加一次促销。时间再短，得出的结果往往无法在采购会议上站得住脚。
依据门来选择，而不是依据数据手册
2D 与 3D 之争，本质上是关于你物理环境的问题。狭窄、可控、单列通行：2D AI 高效且往往最理想。宽阔、密集、有反光或依赖轨迹：景深感知才是诚实的必要之选。
如果你想为某个具体点位获取第二意见，请把门的宽度、安装高度和一张入口照片发给我们。我们会告诉你哪种感知方式合适——如果 2D 才是你项目的正确答案，我们也会如实相告。浏览HooViz 产品系列了解 2D 和 3D 两类选择，在解决方案中查看部署模式，或把你的现场信息发来联系我们。