基于TensorFlow与CNN，如何实现视频流中目标的单次计数？

这个问题我在做交通流量统计的项目时碰到过，属于典型的目标追踪+事件判定场景，而且你的相机是固定的、和行人行走方向垂直，反而比动态相机的情况好处理不少。下面是解决重复计数问题、准确统计成功过马路行人数量的方案：

你现在的问题根源是把每一帧孤立看待，要解决重复计数，得分成两步走：1）给每个行人分配唯一ID并跨帧跟踪；2）判断这个被跟踪的行人是否完成了“过马路”的动作。

第一步：实现行人的跨帧追踪 #

因为你的相机固定，行人是水平移动，有几个靠谱的追踪方案可选：

• 基于IOU的匹配（简单快速）：拿AI模型输出的每帧行人 bounding box，计算当前帧的box和上一帧所有box的IOU（交并比）。如果IOU超过阈值（比如0.5），就认为是同一个行人，沿用之前的ID；如果没匹配到，就分配一个新的唯一ID。这个方法在你的场景里效果很好，因为行人水平移动，帧间位置变化不会太大。
• IOU+外观特征（应对遮挡）：如果场景里有行人互相遮挡的情况，可以给每个行人的box提取外观特征（比如用轻量CNN生成特征向量），结合IOU分数和特征相似度（余弦相似度就很合适）来匹配ID——这样就算短暂被遮挡，也能重新识别出同一个行人。
• 用现成的追踪算法：直接用成熟的算法比如DeepSORT，它在SORT的基础上加入了外观特征，重识别能力更强。你只需要把AI模型的检测结果喂给DeepSORT，它就能自动完成ID分配和跨帧追踪。20FPS的帧率完全能支持实时运行。

第二步：定义并检测“成功过马路”事件 #

你需要明确判定行人成功过马路的标准，结合垂直拍摄的角度：

• 划定过马路的边界：在画面里画两条虚拟线（比如马路一侧的人行道边缘，和另一侧的人行道边缘），或者定义一个“马路区域”，跟踪行人从一侧进入区域、从另一侧离开的过程。
• 追踪轨迹并统计有效事件：给每个带唯一ID的行人，记录他们在不同帧里的位置（用box的中心坐标就行）。当行人从马路的一侧进入、完全穿过马路区域、到达另一侧（或者穿过之后离开画面），就把计数+1，同时把这个ID加入“已统计”列表，避免重复计数。

额外优化点 #

• 处理临时遮挡：如果某个ID突然消失（比如被其他行人挡住），可以把这个ID保留在“待确认”状态几帧（比如20FPS下留5-10帧），如果这段时间内行人重新出现，就继续用原来的ID；超过时间再删除这个ID。
• 过滤误检：AI模型可能会偶尔检测出假的行人，可以加个过滤规则：只有被连续跟踪超过一定帧数（比如3帧以上）的行人，才纳入统计范围，避免把瞬态的误检算进去。
• 处理折返情况：有些行人可能走一半又退回去，这种情况不要计数，只统计那些完整从一侧走到另一侧的行人。

内容的提问来源于stack exchange，提问作者DavimusPrime