平时做小区智能化项目时打交道最多的就是门禁、道闸、监控这三件套。其中“防尾随”一直是个听着简单、落地却很难的需求业主刷卡进门后面跟一个人进来保安拦也不是、不拦也不是。传统方案要么靠保安肉眼盯要么用红外对射、三辊闸这种物理拦截但高档小区又不可能把大门做成地铁闸机那样。最近我们落地了一个基于AI视觉的防尾随门项目用AI摄像头配合边缘计算盒子做实时判定整体效果比预期好不少。这篇文章把方案选型、算法思路、摄像头布设、工程落地和已经踩过的坑完整梳理一遍给正在做类似项目的朋友一个闭环参考。1. 防尾随场景到底难在哪1.1 防尾随的真实痛点先看一个最常见的场景高档小区人行主入口业主刷脸或刷卡进入自动门打开业主进门后门还没完全关闭后面一个人快步跟上贴着门一起进来了。门禁系统只认证了前面那个人的身份后面的人属于“无感闯入”。传统门禁系统对这种情况几乎无能为力原因很简单门禁只做“一次认证一次开门”不做“几个人通过”的统计。红外对射只能感知“有没有人经过”分辨不出是同一人还是两个人。保安盯监控存在疲劳和注意力问题早晚高峰容易漏看。三辊闸、全高闸可以物理阻止尾随但高档小区大堂、单元门不适合安装通行体验差。所以这类场景需要的是“AI视觉判定”通过摄像头实时分析通行区域准确判断一次开门周期内到底过了几个人、是否是同一个人、是否存在尾随行为。1.2 一个完整的防尾随系统需要什么一个可落地的AI防尾随系统至少要完成四件事抓拍通行区域画面持续追踪进出人员。识别人体目标区分行人和非行人干扰物。结合门禁联动信号判断当前是“合法开门周期”还是“未授权通行”。在识别到尾随行为时产生告警并联动门禁、声光报警或物业推送。这里最关键的是“结合门禁联动信号”因为AI摄像头只做视觉识别是不够的。如果不知道门是什么时候开的就无法区分“尾随”和“非法闯入”。在实际工程中我们通过门禁控制器的开门信号接入AI盒子让视觉算法在门开的窗口期内做人数判断这样准确率会高很多。2. 防尾随AI视觉方案选型2.1 方案架构端侧为主云端为辅在架构选型上我们没有采用“纯云端分析”的方案。原因很直接小区门禁场景对实时性要求高从抓拍到判定到联动声光报警延迟最好不要超过1秒。如果所有视频都上云再返回结果网络抖动一次就会漏报。最终采用的架构是三层感知层AI摄像头或普通高清摄像头负责图像采集。计算层边缘计算盒子AI盒子做本地推理运行人体检测、跟踪和行为判定算法。应用层物业管理平台接收告警记录App或PC端查看抓拍图片和短视频片段。这种架构下即使断网边缘盒子依然可以独立完成检测和告警联动只是告警记录暂时存在本地网络恢复后再同步到平台。2.2 为什么选择YOLO系列做检测人体检测是防尾随的基础能力。目前主流的目标检测算法中YOLO系列在工程落地时性价比最高。选择YOLO而不是其他算法的原因主要有三点YOLO是单阶段检测器检测速度足够快在边缘设备上也能跑实时推理。YOLO的模型生态成熟有许多轻量化变体可以根据算力灵活选择。预训练权重丰富针对行人检测的微调成本低小样本也能获得不错效果。这里顺便解释一下最近圈子里常说的“yolo platform 一体化AI视觉平台”是什么意思。它并不是某个特定框架而是指以YOLO检测算法为核心集成数据标注、模型训练、转换部署、运行推理的全流程平台化方案。对项目落地来说就是可以从标注好的行人数据直接训练出能用模型然后一键导出为边缘设备支持的格式。2.3 AI摄像头和AI盒子的选型建议做防尾随项目时很多甲方会问是不是买了AI摄像头就什么都搞定了这个认知需要纠正。市面上的AI摄像头分两种前端轻智能摄像头内置人形检测、越界侦测等固定算法功能封装好了但无法按项目定制。普通高清摄像头 边缘AI盒子摄像头负责图像采集盒子负责算法推理算法可以自由定制和迭代。防尾随属于定制化程度较高的场景因为每个小区门的位置、光线条件、通行动线都不一样固定算法的智能摄像头很难适应。所以我们最终选择了“普通摄像头 AI盒子”的组合算法迭代时只需要替换盒子上的模型不需要换摄像头。选型时几个关键参数摄像头分辨率不低于400万像素支持顺光和逆光环境下的宽动态最好支持SDK抓流。AI盒子算力在2TOPS到10TOPS之间具体根据并发路数确定。协议兼容摄像头和盒子之间用RTSP拉流盒子需要支持ONVIF或RTSP标准。3. 核心算法原理与实现3.1 防尾随判定的完整逻辑防尾随判断不能只看一帧画面需要结合时序逻辑。简单来说整个判断流程可以拆成下面几步门禁开门信号触发 → 打开通行检测窗口 → 持续检测通过人数 → 每个人体目标建立Track ID → 窗口关闭时统计人数 → 如果通过人数超过授权人数 → 判定为尾随/多人通行 → 产生告警这里有一个关键设计授权人数不等于1。因为现实中存在业主带小孩、扶老人进门的场景所以系统支持配置“单次授权通行人数阈值”默认是1可以调整为2或者3。3.2 人体目标检测模型训练检测模型使用YOLOv8n作为基础模型。选择nano版本是因为边缘盒子的CPU算力有限nano模型在精度和速度之间比较平衡。数据集方面自采数据分三部分白天顺光场景白天逆光场景夜间补光场景每部分采集300到500张图片标注行人目标框再通过旋转、翻转、亮度调整做数据增强最终约2000张图片参与训练。训练完成后导出为ONNX格式再转换成边缘盒子支持的推理引擎格式。这里提醒一句不同盒子支持的格式不同有的支持RKNN有的支持TensorRT导出时一定要对着盒子的SDK文档来。3.3 多目标跟踪与尾随判断代码示例检测到人体后需要对每个目标进行跨帧跟踪否则无法统计“同一个人是不是已经出去了”。跟踪部分采用IoU匹配的简单策略在单门场景下够用。下面给出一段核心的尾随判定Python代码用的是模拟数据便于理解逻辑# 文件路径core/tailgate_judge.py 尾随判断核心逻辑 - track_id: 每个通过人员的目标ID - person_count: 本通行周期内通过人数 - open_window: 当前门禁是否处于开门周期 import time class TailgateJudge: def __init__(self, max_auth_count1): # 单次授权允许通过的最大人数 self.max_auth_count max_auth_count # 当前开门周期内通过的人员ID集合 self.passed_ids set() # 记录当前开门周期开始时间 self.window_start_time None # 开门窗口时长超过该时长自动关闭判定 self.window_timeout 10 # 单位秒 def open_door(self): 门禁开门信号触发时调用 self.window_start_time time.time() self.passed_ids.clear() def update_frame(self, track_id): 每帧检测到行人目标时调用 if self.window_start_time is None: return False # 如果窗口超时自动复位 if time.time() - self.window_start_time self.window_timeout: self.reset() return False # 添加新的通过人员ID self.passed_ids.add(track_id) return True def door_closed(self): 门关闭时判断是否发生尾随 # 在一个开门周期内只授权1人但实际通过2人及以上判定尾随 if len(self.passed_ids) self.max_auth_count: return True return False def reset(self): 复位状态准备下一轮判断 self.passed_ids.clear() self.window_start_time None # 模拟调用流程 judge TailgateJudge(max_auth_count1) # 业主刷卡成功门禁开门 judge.open_door() # 模拟两帧检测结果分别是业主和尾随者 judge.update_frame(track_id1) # 业主通过 judge.update_frame(track_id2) # 尾随者通过 # 门关闭判定是否尾随 if judge.door_closed(): print(检测到尾随行为触发告警) else: print(通行正常)这段代码只展示核心判断逻辑。在实际项目中track_id来自跟踪模块AI盒子会输出每个人体框的中心点坐标和track_id我们再用中心点是否越过“通行检测线”来判断目标是否完成了通行。3.4 在实际场景中如何减少误报误报是防尾随项目最头疼的问题。如果一天告警几十次物业人员很快就会麻木最后变成“狼来了”。我们在现场调试中总结了几类常见误报来源并给出了对应策略门未完全关闭时外部人员站在门口等人增加检测线的位置约束只有越过检测线的目标才计入通过人数。非人体目标干扰如行李箱、宠物增加最小宽高比过滤和置信度阈值过滤。两个人并排走同时通过但互不相关如果配置的单次授权人数是1默认会报警但如果物业允许并排同行可以通过增加ReID识别来判断是否存在人体重叠遮挡这个后面单独说。光线变化导致目标短暂丢失增加跟踪容错帧数目标丢失后保留ID一段时间而不是立即判断为离开。4. 摄像头点位布设与现场适配4.1 摄像头安装位置设计算法再好摄像头装不对也白搭。防尾随场景的摄像头布设需要遵循几个原则摄像头正对通行通道方向尽量与人员通行方向垂直。摄像头距离检测区域3到5米过高会导致目标太小过低会导致遮挡。检测线设置在门的内侧或外侧0.5到1米处避免人员刷卡时在门口聚集造成误判。避免强逆光安装如果无法避免必须开启宽动态功能。4.2 不同使用环境下的适配方案“AI视觉方案搭配AI摄像头应用各种使用环境需求”这一点在工程中非常现实。不同小区的门口环境差异很大我们遇到过的环境类型和对应方案如下环境类型主要问题适配方案室外露天门岗雨水、雾气、逆光使用防水摄像机镜头加遮阳罩开启宽动态室内大堂门灯光复杂、瓷砖反光调整曝光参数关闭自动增益固定白平衡地库单元门光线暗、补光灯刺眼使用红外补光或暖光补光降低补光强度双向通行门进出人流交叉部署双摄像头分别覆盖进和出两个方向大流量早晚高峰多人连续通过提高检测帧率缩短窗口时间提高授权人数阈值4.3 门禁联动接线与信号接入这里有一个比较重要的工程细节AI盒子怎么知道门禁什么时候开了常见做法是接门禁控制器的开门继电器输出。门禁控制器在验证通过后会输出一个脉冲信号给电锁开门把这个信号同时引到AI盒子的IO输入口AI盒子的程序检测到IO电平变化就认为“开门周期”开始。如果门禁控制器不支持继电器输出也可以通过网络SDK协议对接比如海康、大华等门禁品牌的SDK都提供开门事件回调。但走IO信号最通用不受品牌限制。5. 完整工程落地流程5.1 项目准备清单一个防尾随项目从零到落地需要提前准备以下内容现场平面图或门体照片用于确定摄像头安装位置。门禁控制器的型号和通信协议文档。现有的监控网络情况是否具备独立的局域网网段。边缘AI盒子一台摄像头两台以内单向通行一台双向通行两台。模型训练用数据集至少要覆盖白天、夜晚两个时段。5.2 部署实施步骤整个部署过程可以按以下步骤执行第一步摄像头安装和调试摄像头固定好后先用ONVIF工具或VLC确认视频流正常调整角度和焦距确保通行区域在画面中约占三分之二宽度。第二步AI盒子配置网络将AI盒子接入摄像头同一个局域网确认能通过RTSP协议拉取视频流。第三步模型部署将训练好的检测模型转换成盒子支持的格式放入指定模型目录修改推理配置文件。第四步配置检测线和参数在算法配置界面画出通行检测线分别配置进入方向和离开方向设置IO输入口对应的门禁联动信号。第五步联动测试先在非高峰期测试由测试人员模拟正常通行和尾随观察系统是否准确产生告警。第六步试运行和调参连续运行一周统计误报率根据误报日志调整置信度阈值、最小宽高比、跟踪容错时间等参数。5.3 告警联动与物业平台对接当AI盒子判定尾随行为后需要产生实际效果否则就只是一个离线算法。我们目前实现的联动方式有三种声光报警IO输出触发现场声光报警器提醒保安注意。门禁联动对未授权通行的门进行强制闭锁阻止后续人员进入。平台推送将抓拍图片和短视频片段推送到物业管理平台生成工单。平台对接使用HTTP接口上报AI盒子将告警数据以JSON格式POST到物业平台接口。示例数据如下{ event_type: tailgate, device_id: AI-BOX-001, gate_id: GATE-EAST-01, timestamp: 2024-12-20 08:15:33, image_url: http://192.168.1.100/storage/capture/20241220_081533.jpg, video_url: http://192.168.1.100/storage/video/20241220_081533.mp4, pass_count: 2, auth_count: 1, confidence: 0.87 }物业平台收到数据后可以在大屏或App上弹出告警卡片方便保安第一时间查看。6. 常见问题与排查思路6.1 高频问题排查表以下是我们在项目试运行阶段遇到的高频问题整理成表格方便排查问题现象常见原因解决思路检测不到行人画面中人体过小或置信度阈值过高调整摄像头角度降低置信度阈值到0.3~0.4频繁误报尾随检测线位置太靠近门口等待区调整检测线向内移动避免候梯人群被计入白天正常夜间漏报夜间补光不足画面噪点过大开启摄像头夜视模式增加红外补光门禁联动信号不触发IO线接错或电平类型不匹配用万用表测量IO口电压确认是常开还是常闭多人并排通过不报警人体目标被合并为一个框调低NMS阈值或使用更高分辨率模型告警延迟超过1秒视频流分辨率过高导致推理速度慢降低推理分辨率到640x640或用GPU盒子6.2 视觉方案落地阶段最容易卡住的三个地方第一个是模型精度和速度的平衡。边缘盒子算力有限模型太大跑不动模型太小白天够用夜晚漏检。建议的做法是准备三个不同尺寸的模型现场实测后再定。第二个是跟踪ID的稳定性。有时候一个人走过去中途跟丢了重新出现时换了一个track_id同一个周期内就会被统计成两个人。这个只能靠增加跟踪容错逻辑解决不能盲目调高检测阈值。第三个是和门禁厂商的配合难度。不同门禁品牌提供的联动接口差异比较大有的提供继电器有的只提供SDK有的还要额外写协议转换代码。所以施工前一定要先问清楚门禁控制器型号提前拿到接口文档不要等项目进场了再临时看。7. 最佳实践与工程建议7.1 模型训练阶段建议训练防尾随检测模型时数据集的多样性比数量更重要。只采集晴天白天的数据模型在阴雨天和夜间的表现会明显下降。建议每个时段至少采集100张以上并手动检查标注质量。如果项目时间紧张可以直接用YOLO预训练模型做迁移学习在自有数据上微调50到100个epoch即可。7.2 部署阶段建议部署方面有几条经验所有配置文件必须版本化不能只存在AI盒子本地否则盒子出故障更换时重新配置会非常痛苦。告警图片和视频要定期清理建议保留30天超过时间自动删除避免存储空间耗尽。AI盒子要接入UPS电源防止掉电导致系统状态丢失。摄像头和AI盒子之间的网络尽量走有线不要走无线无线延迟抖动会影响跟踪稳定性。7.3 隐私合规与数据安全这个必须要单独强调。小区出入口属于公共区域但抓拍数据涉及个人信息项目中必须做到几点在出入口张贴“图像采集区域”提示标识。抓拍数据只用于安防事件追溯不用于其他商业用途。告警图片和视频访问需要权限控制物业端账号按角色分配。数据存储周期要符合当地相关管理要求过期自动清除。7.4 从单门试点到全小区推广如果整个小区有多个人行出入口建议先选一个门做试点观察一周的误报率数据。误报率稳定在10%以内再推广到其他门。推广时每个门的摄像头位置、光线条件可能不同所以模型可以共用但检测线和参数需要每个门单独微调。如果后续要做全小区级联还需要考虑多摄像头联动锁定目标。简单说就是当一个摄像头检测到尾随行为后通过ReID行人重识别技术将目标特征发送给其他摄像头进行跨摄像头追踪。这一步的工程量会明显增加建议等项目第一个门稳定运行后再规划。8. 总结与后续学习方向这篇文章围绕防尾随门项目完整梳理了AI视觉方案的选型、YOLO检测模型的训练思路、尾随判断的核心逻辑、摄像头布设原则以及工程落地中的常见坑点。核心要点可以概括为三点防尾随不是单靠算法就能解决的必须结合门禁联动信号才能准确判定“合法开门周期”。检测精度和误报率的平衡是项目成败的关键现场调参比模型训练更考验工程经验。不同环境需要不同的适配方案摄像头安装位置、补光方式、检测线位置都会直接影响最终效果。如果你正准备做类似的智能门禁项目下一步可以优先关注这几个方向行人重识别ReID技术、边缘端模型量化压缩、多目标跟踪算法的优化。另外建议先从淘宝或线下渠道采购一套带SDK的AI边缘盒子用真实视频流跑通一次端到端流程再考虑接实际门禁项目。踩坑不可怕关键是每个坑都要留下记录这样后续项目才能越做越顺。