人群密度计数(Crowd Counting)的目的对监控场景中的人群进行数量的预测，同时生成人群密度图来反应当前场景中的人群分布。作为人群管理的第一个也是最重要的部分，自动人群计数可以监视区域的人群密度，并在密度超过指定阈值时提醒管理员进行安全控制。由于近年来世界人口的指数增长导致城市中心化，集体活动愈发频繁，在如此大的人口聚集与流动下，人群计数与分析就显得尤为重要。跟其他计算机视觉的任务一样，人群密度计数面临着诸多的挑战，包括：密集人群相互的严重遮挡，复杂背景的干扰，人群不均匀的分布，场景内与场景外的外观变化，人头大小各异问题与透视问题等等。这些挑战使得这个研究课题异常困难，但也吸引了大量的研究者们前赴后继的投入精力进行深入研究。随着卷积神经网络(CNN)的迅速发展，基于CNN的人群计数模型如雨后春笋般出现，并且取得了可喜的进展。但是这些模型的共同缺点是，他们倾向于用单一固定结构来同等对待不同数据集的整个图像，这样无法应付具有不同人群密度的各种复杂场景。因此，本论文提出了一个基于自适应图细化的人群计数算法，旨在利用不同复杂程度的网络独特的表征能力，来处理不同密集程度的区域。具体研究工作如下:
　　(1)通过对现有工作及理论的细致分析，总结了已有算法的优点与缺点。对比发现深层复杂的网络可以处理高密度区域，而浅层简单网络可以在稀疏区域中实现更好的性能，基于此理论针对人群计数提出相应的解决方案。
　　(2)设计了一个具有多列浅层结构的粗糙网络，每列由不同大小的卷积核组成，因此每列具有不同的感受野，用来增强学习不同特征分辨率的密度变化的能力。以VGG16为原型，结合可形变卷积(Deformable Convolution)，设计了一个深层结构的精细网络，通过加入提出的自适应融合策略，此网络可以有选择地抑制噪声并且自动关注匹配的人群规模，进而极大的提高在复杂场景下的计数准确率。利用这两个网络进一步验证不同复杂程度网络的独特表征能力。
　　(3)提出了一个基于自适应图细化的人群计数算法，来发挥不同复杂程度网络各自的优势。首先设计一种称为计数注意的新颖注意机制，它可以在没有先验知识的情况下自动定位输入的密集区域。然后利用复杂网络和简单网络分别处理场景中的密集区域和稀疏区域，来组成模型所需要的完整人群密度图。
　　(4)设计了一个平滑网络来处理由于两个网络拼接所导致的生成密度图的割裂，同时提出一种新颖的生成对抗损失函数来使得生成的密度图更加逼真。