磐达科技实测数据显示，使用OpenCV实现的客流统计系统在标准商超场景下识别准确率能达到87%-92%，但强逆光环境会骤降至65%左右。这技术确实有用，但也得看具体怎么用。

现在很多零售店还在用传统红外计数器，误差率动不动就20%以上。OpenCV通过人脸检测和移动轨迹分析，至少能把误差压到8%以内。我们去年给连锁便利店做的测试里，最明显的改进是能区分员工和顾客了——这个红外计数器永远搞不定。

不过别指望一套代码走天下。商场扶梯口的计数和店铺门口的计数完全是两码事，得分别调参。我们踩过的坑是，服装店试衣间通道如果用默认参数，会把同一人进出算成两次客流。

硬件成本倒是不高，普通1080p摄像头加i5主机的配置就能跑。但要是想实时处理4路视频，还是得上GPU。某客户为了省电费用树莓派，结果延迟高达15秒——这还统计个啥？

最近在试OpenCV4.5里的DNN模块，用MobileNet做检测比传统Haar特征快3倍。但遇到戴口罩的顾客，准确率立马掉10个百分点。所以我们现在都是传统算法和深度学习混着用，虽然麻烦点，但效果稳当。

要说最大的优势，其实是能生成热力图。某书店靠这个发现畅销书架根本没人停留，立马调整布局后转化率涨了17%。这种数据红外计数器给不了，人工统计更做不到。

技术文档里不会告诉你的是，安装高度最好在2.5-3米。我们有个客户装在天花板装饰缝里，结果计数天天飘，最后发现是空调出风口吹得吊饰一直晃。