随着GPU的飞速发展,提高了计算机的计算能力。神经网络不再受限于计算力,学者们纷纷加大对深度学习、神经网络等方面的研究。人群密度估计,即实时检测人群图像、视频中的人群密度或人数。早期的检测方式是通过目标检测技术来做的,如今采取了卷积神经网络进行端到端的检测。基于卷积神经网络的人群密度估计一般都是基于密度图的,这可以有效的避免因视觉尺度的变换、物体对目标的遮挡、视角畸变等问题。首先介绍了人群密度估计的国内外现状及其研究难点。再对其一些相关原理及一些经典的算法进行介绍。最后提出一种卷积神经网络框架及一种辅助网络学习的自监督任务。在几个公开数据集上进行测试,论证了该模型算法的高效性及可行性,主要工作如下:1.提出了一种单列多尺度的卷积神经网络,该网络提供了一种数据驱动的深度学习方法,能够理解各种不同的场景,并能进行精确的计数估计。该网络模型主要由作为二维特征提取的前端与中端和用来还原密度图的后端组成。其中使用堆叠池代替最大池化层,在不引入额外参数的前提下增加模型的尺度不变性。网络模型前端采用部分VGG-16结构,中端采用特征聚合模块(Feature Map Encoder,FME),用来打破不同列之间的独立,更好的提取多尺度特征信息。后端采用三列五层的不同扩张率的空洞卷积,在保持分辨率不变的情况下增加感受野,生成更高质量的人群密度图。并引入一种相对人数损失,提升在稀疏密度人群情况下的性能。该神经网络模型在目前应用最广泛的两个数据集上都展示了很好的效果。2.提出了一个自我监督的任务用于人群密度估计的网络训练。利用训练时未标记的人群图像来显著提高性能。主要观点是,即使没有人群图像中人员的确切数量,也可以知道从人群图像中采样的图像块包含与原始图像相同或更少的人数。这提供了一种生成子图像排序的技术,可以用来训练网络来估计一个图像是否包含比另一个图像更多的人。本文利用互联网上丰富的人群图像数据,生成一个排序数据集,辅助训练人群密度估计网络,达到显著提高人群密度估计性能的效果。