1. Ubuntu环境下人流量分析系统搭建实录

上周帮连锁便利店客户部署了一套基于Ubuntu的人流量统计系统，从摄像头接入到数据分析全流程跑通只用了3天。这套方案最大的优势是硬件成本不到商业系统的1/5，而且完全避开了Windows系统的版权问题。今天就把具体实现过程拆解给大家，包含我踩过的所有坑和优化技巧。

1.1 核心组件选型

系统架构采用经典的"摄像头+边缘计算+云端存储"模式：

• 硬件层：普通USB摄像头（推荐罗技C920，实测夜间效果优于国产型号）
• 分析层：OpenCV 4.5 + YOLOv4-tiny模型（在Jetson Nano上能跑25fps）
• 存储层：SQLite本地缓存 + 定时同步到MySQL主库
• 可视化：Grafana + 自研Python看板

特别注意：Ubuntu 22.04默认的Python 3.10与某些AI框架存在兼容性问题，建议新建conda环境使用Python 3.8

1.2 关键性能优化点

在Jetson Nano开发板上测试时，原始模型处理速度只有8fps，通过以下调整提升到25fps：

1. 启用TensorRT加速（需手动编译OpenCV with CUDA支持）

cmake -D WITH_CUDA=ON -D CUDA_ARCH_BIN="5.3" ..

2. 将视频解码改为硬件加速

cap = cv2.VideoCapture(0, cv2.CAP_V4L2)

3. 限制检测区域ROI（减少30%运算量）

2. 详细部署流程

2.1 基础环境配置

先解决Ubuntu特有的依赖问题：

# 必须安装的依赖项 sudo apt install libgtk2.0-dev pkg-config libavcodec-dev libswscale-dev # 解决中文路径问题 export LANG=en_US.UTF-8

2.2 人流检测核心代码

使用背景差分法+卡尔曼滤波实现：

class PeopleCounter: def __init__(self): self.bg_subtractor = cv2.createBackgroundSubtractorMOG2( history=500, varThreshold=16, detectShadows=False) def process_frame(self, frame): fg_mask = self.bg_subtractor.apply(frame) # 形态学处理省略... contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return len([c for c in contours if cv2.contourArea(c) > 500])

2.3 数据持久化方案

采用双写策略保证数据可靠性：

1. 本地SQLite缓存最近1小时数据
2. 每5分钟批量同步到云端MySQL
3. 断网时自动重试机制（指数退避算法）

3. 踩坑记录与解决方案

3.1 摄像头兼容性问题

测试过的摄像头中：

• 罗技C920：即插即用，支持MJPG格式
• 某国产摄像头：需要手动设置分辨率

cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)

3.2 时区导致的统计偏差

发现凌晨时段数据异常，原因是：

• Ubuntu默认UTC时间
• 数据库按本地时间存储

解决方法：

sudo timedatectl set-timezone Asia/Shanghai

3.3 内存泄漏排查

连续运行3天后进程崩溃，通过valgrind检测发现：

• OpenCV的VideoCapture未正确释放
• 解决方法：增加析构函数

def __del__(self): self.cap.release()

4. 性能优化进阶技巧

4.1 多进程架构设计

采用生产者-消费者模式提升吞吐量：

from multiprocessing import Queue, Process def detector(input_q, output_q): while True: frame = input_q.get() result = process_frame(frame) output_q.put(result) # 启动4个worker进程 for i in range(4): Process(target=detector, args=(input_q, output_q)).start()

4.2 模型量化加速

将YOLOv4-tiny从FP32转为INT8：

./darknet detector train cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -quantized 1

量化后模型大小减少60%，推理速度提升35%

4.3 温度控制策略

Jetson Nano长时间运行会过热降频：

• 加装散热风扇（必须）
• 设置温度阈值

sudo /usr/bin/jetson_clocks --fan

这套系统在10家门店部署后，客户反馈准确率能达到商业系统的90%水平，而硬件成本仅需800元/店。最关键的收获是：Ubuntu在边缘计算场景下的稳定性远超预期，连续运行60天无需重启。