👫 Ai 攝影機人員計數在各場景的準確率探討

3S Market 整理

AI 攝影機「人員計數（People Counting）」的準確率，其實取決於場景條件 × 演算法品質 × 安裝方式 × 硬體效能（TOPS，Trillions of Operations Per Second，是每秒兆次運算的縮寫，是衡量 AI 硬體（如 NPU、GPU 每秒能執行多少兆次計算的關鍵效能指標）。以下整理成實務導向的場景對照表，方便在專案規劃或招標評估時使用，千萬別被業務嘴給呼攏了。

📊 AI 攝影機人員計數準確率（依場景分類）

場景	常見環境特性	準確率區間	影響因素	技術建議
🚪 室內單一出入口（門口）	光線穩定、人流可控	95–99%	安裝高度、是否 Top View	建議使用雙鏡頭 3D 立體攝影機
🏬 商場入口	人流密集、交錯進出	90–97%	逆光、多人並行	使用 AI+ 方向判斷模型
🏪 零售門市	客流量中等	92–98%	遮擋、推車	建議天花板垂直安裝
🚇 交通場站	高密度、快速流動	85–95%	群聚、遮擋嚴重	需高算力 SoC（>3 TOPS）
🏫 校園出入口	時段性高峰	90–96%	書包遮擋	需抗遮擋模型
🏭 工廠	安全帽、制服	88–95%	人機混流	AI 需做人形分類訓練
🏟 展覽/活動場	極高密度	75–90%	群聚重疊	需密度估算演算法
🏛 宗教/殯葬場所	人流較穩定	93–98%	香煙霧氣	需抗煙霧模型

🎯 不同技術類型的準確率差異

技術方式	原理	準確率
單鏡頭 2D AI	影像辨識頭肩輪廓	85–95%
雙鏡頭 3D（Stereo）	深度資訊判斷	95–99%
ToF 深度攝影機	紅外線距離感測	95–99%
雷射計數器	紅外線遮斷	90–95%（易誤判）
WiFi 探針	設備MAC偵測	60–85%（非精準人數）

📌 影響準確率的五大關鍵

1. 安裝角度

最佳為「正上方 90° 俯視」
斜角會降低3–8%

2. 人流密度

每平方公尺 > 4 人 → 準確率可能下降 10% 以上

3. 光線條件

逆光 / 閃爍LED燈會影響模型

4. SoC 算力

<1 TOPS：僅基礎模型
3–5 TOPS：可即時多人追蹤
8 TOPS：支援重辨識+跨攝影機追蹤

5. 演算法來源

歐美/日韓模型在隱私與準確度優化上較成熟
中國部分模型強調高密度場景，但需評估資安風險

🏢 以場域來看：

宗教場所（廟宇）

平日 95%
大型法會 80–90%

商業大樓

門禁結合計數 → 可達 98%

⚠️ 投標或採購時應要求：

提供實際場域測試報告
說明測試條件（人數密度）
提供「遮擋率」數據
是否支援 API 數據輸出
是否支援 GDPR / 個資保護設計

附錄 1：「人員計數技術選型對照表」

以下為可直接用於招標規格書 / 專案選型評估的完整版本：

📊 AI 人員計數技術選型對照表（專案決策版）

技術類型	代表原理	準確率區間	適合場景	優點	缺點	建議功率 (PoE)	成本等級
2D AI 單鏡頭	頭肩辨識 + 追蹤	85–95%	小型門市、辦公室	成本低、部署簡單	易受遮擋影響	7–12W（802.3af）	★
3D 雙鏡頭 (Stereo)	深度視差判斷	95–99%	商場入口、場館	抗遮擋佳	成本較高	12–25W（802.3at）	★★★
ToF 深度攝影機	紅外線距離感測	95–99%	交通站、博物館	光線影響小	價格高	15–30W（802.3at/bt）	★★★★
魚眼 AI 俯視	廣角熱區追蹤	88–96%	大廳、廟宇	可做熱區分析	邊緣變形誤差	12–25W	★★
AI 邊緣盒 (Edge Box)	攝影機+外接運算	90–98%	多鏡整合場域	彈性高	系統較複雜	30–60W（802.3bt）	★★★★
紅外線遮斷式	光束計數	85–93%	單向通道	成本最低	無法辨識群體	無需PoE	★
WiFi / 手機探針	MAC 訊號偵測	60–85%	商圈統計	無需影像	非真實人數	5–10W	★

🎯 不同場域最佳建議

🏢 商業大樓

✔ 建議：3D Stereo + PoE 802.3at

✔ 目標準確率：97%以上

✔ 可結合門禁系統

🛕 宗教場所

✔ 平日：魚眼 AI

✔ 大型法會：3D Stereo 或 ToF

🚇 交通場站

✔ ToF 或高算力 AI SoC (>3 TOPS)

✔ 需抗高密度模型

📐 技術選型決策矩陣（簡化版）

需求	建議技術
預算最低	2D AI
高準確率	3D Stereo
抗逆光	ToF
高密度場景	ToF / 高算力AI
熱區分析	魚眼AI
多鏡整合	Edge AI Box

🔍 招標必寫規格建議

準確率需 ≧95%（人流密度2人/m²）
需提供第三方測試報告
支援 API / MQTT
支援 PoE 802.3at 以上
個資保護：不可儲存可識別臉部影像
本地端運算（Edge AI）

⚡ 若搭配 PoE Switch 規劃

設備類型	建議PoE等級
2D AI Camera	802.3af
3D Stereo	802.3at
ToF / Edge AI	802.3bt

附錄 2：「不同算力 SoC（如 Ambarella / Qualcomm / Hailo）對計數準確率影響比較」

下面是整理過、可用於「不同 Ai SoC（系統單晶片） 在 AI 人員計數/影像推論上的 效能比較與對應準確率趨勢（聚焦 Ambarella、Qualcomm、Hailo 這三種主流 SoC）：

📌 1. SoC AI 推論效能 & AI 應用影響關鍵指標

推論計數準確率 ≠ 只有 TOPS 才算 推理精度也受模型量化、執行架構差異、記憶體頻寬與運行庫影響。真實 SoC 上相同模型推理精度有可能 出現差異（同模型在不同 SoC 上 accuracy 71–93% 不等）

📊 2. SoC 核心對照：Ambarella / Qualcomm / Hailo

SoC 品牌	典型 AI 架構	推論定位	影像/視覺優勢	約 TOPS & 主要特色
Ambarella	CVflow® AI accelerator + ISP	邊緣影像深度處理	強 ISP + CNN pipeline 優化	20+ TOPS 類型應用、低功耗強影像處理
Qualcomm	Snapdragon AI / Hexagon NPU	通用智能 SoC + AI	華為/Android 生態豐富，SDK成熟	10–20+ TOPS；支持多 model 精度選擇
Hailo	專用 Vision NPU	高效影像推論	高 TOPS/Watt；強 multiple streams	~26–40 TOPS，能量效率高

👉 注：網路與開發者測試顯示 相同模型在不同 Snapdragon 族 SoC 上準確率可大幅波動（從 ~71% 到 ~92%）— 這表示單靠 SoC 自身 AI 推論能力不足以保證結果一致，還要搭配合適 runtime/量化策略

📉 3. SoC 推論效能 × 人員計數實際可能影響

下面是 常見 SoC 在人員計數場景中對「推論精準度 / 推理速率」的典型影響趨勢（取決於 SoC ML & 影像 pipeline）：

SoC / 平台	推理速度 & 資源	對人員計數影響	準確率趨勢
Ambarella CVflow 系列	高效 ISP+CNN pipeline	更穩定低光與影像品質高場景	⭐⭐⭐⭐（高穩定性）
Qualcomm Snapdragon	多模塊 AI Engine	SDK 支援多種模型；易調優	⭐⭐⭐（依 SoC 版本差異）
Hailo-8 / Hailo 15	高 TOPS/W 低功耗	在視訊高 FPS + 重疊場景強	⭐⭐⭐⭐（推論力強）

📌 特別說明：

✔ Ambarella 的影像前處理 + CNN pipeline 整合 強調攝影機原生影像分析，比一般 SoC 在極端光照場景更穩定

✔ Hailo 高性能源效率設計 在所有軸多人場景與多串流推理下較有優勢

✔ Qualcomm 生態成熟度高，但單一 SoC 型號間準確率可能有變化（模型運行策略差異影響精度）

📌 4. SoC 選型對人員計數準確率的實際影響評估

以下是假設在同樣模型架構、同樣算法實現下，SoC 會如何影響最終人的計數效率（Accuracy）：

情況	影響	Example
高 TOPS + 大記憶體頻寬	模型運行更接近標準精度	更接近訓練集表現
低效能 SoC × 輕量化模型	可執行但量化誤差大	誤判 / 漏檢增加
SoC @ 高低光	ISP 加強預處理	光源變化下誤差小
多鏡串流	需分發推論資源	高 TOPS SOC 更容易滿足