近年来,人群活动导致频繁地人群聚集。人群计数作为人流量管理的重要参考标准之一,在引流等方面发挥着重要作用。传统的人流管理方式主要通过人工进行视频画面的监控实现,效率低下。依托于智能监控平台,从监控视频或图像中实时获取人群计数和人群分布情况,进而进行风险判断及预警提示,对于安防工作有着重要意义。基于深度学习的方法在许多计算机视觉任务中的成功应用,促使研究人员探索其在人群计数场景的表现。现有的算法大多只采用单一的顶层特征进行解码,无法适应密集的尺度变化。复杂场景中,现有算法忽略了空间相关性,生成的人群密度图容易受到噪声数据的干扰。本文基于密度估计的研究基础上提出一种新的人群计数算法,主要工作如下:1.基于稠密亚像素卷积的人群计数方法针对当前方法难以捕获尺度变化的问题,本文基于稠密连接融合多尺度信息,对基础特征提取网络提取的特征,使用稠密连接进行多尺度特征的融合。现有方法使用插值法进行上采样,无法自适应进行尺度还原,基于亚像素卷积的上采样方法,利用通道的深度信息填充特征图的维度信息。该模型在公开数据集上与目前一些经典的算法进行比较,证实该方案的有效性。2.基于区域定位信息和密度信息融合的人群计数方法针对人群计数场景存在的噪声数据被预测为目标人群的问题,提出一种融合区域定位信息和密度信息的方案。为了定位完整的目标区域,基于阈值分割算法和对抗擦出机制确定人群区域。根据图片各个部分重要程度的不同,基于注意力机制融合区域定位信息和预测的密度信息,以达到修正生成的密度图,排除噪声数据产生的计数误差。最后通过定性和定量分析对算法性能进行评测。3.人群计数应用系统设计与实现通过调研现实场景对于人流量管理系统的需求,设计并实现了人群计数系统。通过调用本文设计的算法,完成密度图的生成及人群计数功能,进而完成后续的统计与判别工作。本文提供的人群计数系统满足大多数人流量监控相关方面的应用需要,能够实现智能化的判别工作。