多模态人车检索标准方案，支持万路级联网、客户级独立库与结构化 + 向量混合检索
园区、街道和基层治理单位已经建设了大量视频监控点位，但跨点位、跨时段的人车线索仍高度依赖人工回看。随着园区规模扩大、人口与车辆流动加快，以及网格化治理不断深入，临时找人、车辆追踪、异常线索核验等需求逐年增加，传统“按摄像头逐段查看”的方式难以满足时效要求。
项目面向园区管理者、网格员、街道综治中心和派出所，将分散的视频流转化为可检索的人车特征库。用户既可以上传目标图片，也可以输入“黑色上衣、戴眼镜、下午三点出现在南门附近”这类自然语言，并叠加车牌、颜色、时间、点位等精确条件，快速获得候选结果和轨迹线索。
方案并不追求以昂贵硬件替换全部存量摄像头，而是围绕关键帧提取、质量过滤、端云协同和多模态混合检索建立标准产品能力，让不同规模客户能够按库容量、点位数量和查询并发逐步扩容。
访客与车辆核验、重点区域巡查、事件复盘
社区走访、线索排查、跨点位快速确认
跨社区协同、综治事件研判、资源统一纳管
人车线索检索、时空轨迹拼接、候选结果复核
单园区部署，支持基础人车建库、图片/文字查询与 1–3 路查询并发。
多社区联网，支持独立权限、轨迹研判、批量导入与 5–10 路查询并发。
面向街道集群或区县，支持专属资源池、分库联查与 10–30 路查询并发。
| 成本项目 | 测算口径 | 成本 | 说明 |
|---|---|---|---|
| 初期产品建设 | 约 10 人团队 | 约 300 万元 | 覆盖产品研发、模型链路、检索平台、权限审计和标准化部署能力。 |
| 固定运营投入 | 2–3 人团队 | 约 10 万元 / 月 | 负责版本维护、客户支持、模型评测、资源监控和线上问题处置。 |
| 综合算力与存储 | 按活跃摄像头计费 | 最高约 8 元 / 路 / 月 | 包含云侧关键帧处理、多模态 Embedding、向量检索及基础存储成本。 |
| 项目 | 成本参考 | 适用方式 | 业务判断 |
|---|---|---|---|
| 端侧智能摄像头 | 约 260 元 / 台 | 建议新建点位采购 | 端侧完成运动目标检测和关键帧抽取，降低持续上云带宽与推理压力。 |
| 云侧关键帧识别 | 约 3 元 / 路 / 月 | 存量摄像头利旧 | 无需更换前端设备，以云侧能力兼容多品牌、多芯片和非智能 IPC。 |
| Embedding 与检索 | 约 4–5 元 / 路 / 月 | 全部套餐 | 覆盖 Qwen 相关多模态处理、向量化、向量检索、精排及基础数据存储。 |
采用统一定价与标准套餐。前向渠道仅需确认客户需求是否落在产品能力边界内，再依据接入规模执行阶梯折扣，不再判断模型、存储和部署等复杂报价因素。
以当前第 2 年活跃规模 5.6 万路为基准；续费率取区间中值 65%，年新增取中值 1.75 万路。
| 指标 | 计算方式 | 测算结果 | 经营含义 |
|---|---|---|---|
| 年度收入 | 56,000 × 17 元 × 12 月 | 1,142.4 万元 | 当前规模对应的年度经常性收入。 |
| 年度变动成本 | 56,000 × 8 元 × 12 月 | 537.6 万元 | 按综合成本上限测算，实际优化后仍有改善空间。 |
| 年度经营贡献 | 1,142.4 − 537.6 − 120 | 484.8 万元 | 扣除固定运营团队后、尚未分摊初期建设投入的贡献。 |
| 下一年度活跃规模 | 56,000 × 65% + 17,500 | 约 5.39 万路 | 按当前续费率与年新增中值测算，活跃规模小幅回落。 |
| 规模波动区间 | 续费 60%–70% + 新增 1.5–2 万 | 4.86–5.92 万路 | 对应年度经营贡献约 405–519 万元。 |
(17 − 8) × 30 个月；按平均生命周期 2.5 年的贡献毛利口径。
前线销售渠道不单独计提佣金，以销售公司单路留存利润 100 元作为 CAC 代理值。
270 ÷ 100。以销售公司单路留存利润作为渠道获客成本代理，用于内部经营测算。
300 万 ÷ 当前规模月经营贡献 40.4 万元。
当前 5.6 万路维持 30 个月，扣除变动成本、运营成本与初始投入后净收益约 912 万元。
同时覆盖每月运营成本，并在 2.5 年内摊回 300 万元初期投入。
从视频流到客户独立人车特征库
云侧视频流 + 端侧摄像头
统一协议接入与点位管理
运动目标检测与关键帧抽取
人脸 / 车辆前后脸 ROI
清晰度、遮挡、曝光、目标尺寸
单点位时空重复信息过滤
小模型属性识别 + OCR
生成人车结构化字段与描述
Tongyi Embedding Vision Plus
ROI 与语义描述统一向量化
车牌、时间、点位、颜色、人员与车辆属性、OCR 字段
人脸、车辆前后脸 ROI 向量，以及自然语言描述向量
原始关键帧、目标截图与关联证据，支持结果回看与审计
图片、文字与结构化字段统一查询
自然语言向量化，并抽取时间、点位、车牌、颜色、性别、衣着、帽子、眼镜等结构化条件。
Qwen-VL Flash 2D Grounding 定位人车目标 ROI，再由 Vision Plus 生成查询向量。
支持车牌、设备、区域、时间窗口、人员与车辆属性的独立或组合筛选。
向量搜索处理相似外观和自然语言；关键词/BM25 与字段过滤保证精确条件不被语义召回稀释。
对多路排名进行倒数排序融合，无需强行归一化不同检索器的分数。
对 Top-K 图文候选做跨模态相关性判断，输出可解释的排序、命中条件与置信度。
一个客户一个逻辑库，默认禁止跨租户检索。
按角色、区域、点位和用途授权查询与导出。
记录查询人、条件、时间、命中与导出行为。
按业务目的配置保留周期，到期自动清理原图与向量。
上线两年形成 5.6 万路发展规模
续费率偏低大部分由于客户自身需求取消
完成跨区域复制，覆盖 10 个省份。
从 3–5 类代表性场景中，每类抽取 10–20 个点位建立内部测试集，经人工筛选测试集，统一以 Top 3&10 覆盖率评估候选结果。
Top 3 为基于 Top 10 回归结果与候选排序集中度的保守测算值；Top 10 为内部验收与版本回归值。上述结果不是所有客户环境的统一承诺，项目上线前需根据本地摄像头质量、视角与样本难度完成基线校准。
