线下门店精细化运营的核心指标「顾客停留时长」，传统红外、Wi-Fi探针、普通视频跟踪方案均存在数据失真、无法分层、隐私风险等硬伤。ReID行人重识别+边缘计算是当前零售、商业地产落地最成熟的标准化采集方案，依托设备端本地AI推理实现全量停留数据精准计算，同时通过匿名化特征、本地销毁原始画面、结构化脱敏输出三重机制满足《个人信息保护法》合规要求。本文从底层计算逻辑、后端数据清洗、多技术路线横向对比、全链路隐私安全四大维度做专业拆解，适合技术开发、项目选型、数据运维、合规评审阅读。

一、传统客流采集方案
无法精准计算停留时长的底层缺陷

在讲解ReID边缘计算方案前，先厘清三类传统技术在停留统计场景的固有短板，也是行业全面替换ReID的核心原因：

1. 红外光栅对射设备
仅能识别光束阻断事件，无人员轨迹、身份匹配能力；多人并行、遮挡场景计数失效；无法绑定进店/离店时间戳，完全不具备停留时长计算能力，仅能输出通行人次，无任何精细化分析价值。

2. Wi-Fi/蓝牙探针
依靠手机MAC地址采集信号，存在多层失真：关闭Wi-Fi、虚拟MAC、多用户共用一台手机都会大面积漏采；仅能抽样统计，无法覆盖全量客流；无法区分员工与顾客，不能输出性别、年龄分层；仅能通过信号停留粗略估算时长，误差30%以上，不能作为经营决策依据。

3. 普通单目视频简易跟踪（无ReID）
无全局行人唯一匹配能力，顾客被货架遮挡、走出镜头再返回时，会被判定为全新访客，单次进店停留直接截断；顾客当日多次进店无法合并总停留时长；人群分层识别精度极低，数据可信度不足80%。

二、ReID边缘计算采集方案完整技术拆解
（停留时长计算全链路）

整套架构分为设备端本地预处理、后端聚合清洗、标准化指标输出三层，全程本地完成AI推理，原始视频不上传云端，从根源解决精度与合规矛盾。

2.1设备端原生预处理逻辑
（报文底层数据逻辑）

AI摄像头内置边缘算力芯片（NPU/GPU），人体检测、多目标轨迹跟踪、进出配对、单次停留计算全部在设备本地完成，无需云端二次运算，最终仅输出轻量化结构化报文，原始视频帧实时销毁，不落地存储。

设备单条结构化报文核心关键字段定义

1. global_id：匿名行人全局唯一ID
仅提取人体体态、身高、衣着色彩纹理、步态向量生成特征编码，全程不采集、不存储人脸五官等生物识别信息，特征向量不可逆，无法还原对应自然人身份。

2. pairs：单人单次进店进出记录数组
数组内每条记录包含：进店毫秒级时间戳、离店毫秒级时间戳、dwell_time（单次停留总秒数）；设备本地自动执行基础计算公式：

单次停留时长=离店时间戳-进店时间戳
完整记录顾客单次进店全程驻店时长，不受画面遮挡、短暂离店干扰。

3. extra_info：人群标签附属字段
同步输出算法识别结果：性别区间、年龄分层（青年/中年/中老年/老年）、person_type人员类型标签（顾客/员工），用于后端自动隔离内部人员脏数据。

设备端核心计算优势

• 断网离线可用：本地缓存7-30天结构化报文，断网期间正常计算停留时长，联网后自动增量同步；

• 低带宽消耗：仅传输数字结构化字段，无视频流，门店宽带无压力；

• 实时输出：毫秒级完成单次停留计算，支持实时看板、实时客流预警。

2.2后端统一聚合清洗规则
（保障停留数据真实有效）

设备上传原始报文后，后端执行标准化聚合、去噪、分层计算，产出可直接用于经营分析的停留指标，包含三层数据过滤机制剔除干扰脏数据：

1. 单人累计停留聚合逻辑
同一global_id下所有pairs数组内dwell_time求和，解决顾客当日多次进出门店、中途短暂出门的时长拆分问题，输出单人当日总停留时长。

2. 平均停留时长标准计算公式
平均停留时长（秒）=当日全部有效顾客总停留秒数÷去重访客UV（唯一global_id有效总量）
支持自动换算分钟、小时单位，区分门店/商超两套分层标准。

3. 三层数据清洗过滤机制
①短噪点过滤：单次停留＜10秒判定为设备误识别、路人一闪而过，直接剔除，不参与任何指标计算；
②超长异常屏蔽：单次停留超过4小时自动标记员工、保洁、驻场导购，平台支持全局一键过滤该类数据，避免拉高平均停留均值，消除内部人员数据干扰；
③人员隔离过滤：依托person_type标签，单独拆分员工数据集，经营分析报表、停留分层占比、排行榜全部仅保留真实消费客群。