随着深度学习理论技术的不断完善与发展,计算机视觉在日常生活中的应用也越来越多。人数统计任务作为计算机视觉领域重要的研究方向之一,也逐渐影响着人们的生产生活。如对于疫情防控,通过统计公共场合的人数如会议厅、车站、教室等场合对疫情防控起到了重要作用。在人流量管控方面,通过对固定区域过往人流量的分析可以给出行人员提供更加可靠的出行策略。本文通过对国内外人数统计方法的研究和分析,分别基于目标检测算法和目标跟踪算法进行人数统计。（1）本文从实际应用场景出发,综合检测精度和检测速度,基于YOLO系列最新检测器YOLOv5（s号V3版本）通过检测人头的方式进行人数统计,并针对原始YOLOv5小目标人头检测效果欠佳的情况对YOLOv5进行了网络结构上的改进。实验证明在检测速度稍有下降的情况下,改进后YOLOv5的人头检测精度Recall及m AP@0.5较未改进之前分别提升0.9%和0.8%,小目标人头检测效果也有所改善。（2）为满足人数统计任务的实际应用需求,本文在改进后的YOLOv5检测器基础上引入Deep SORT跟踪器对人头进行检测跟踪,通过制定上下行撞线区域进行人流量的计数统计。经实验测试,采取人头跟踪的方式进行人流量统计,准确率可达95%以上,相比于以往多数通过跟踪行人进行人流量统计的方式,本文通过检测跟踪人头的方式更加适用于拥挤场合下的人流量统计。（3）为使人数统计算法落地用于实际场景,本文搭建了基于Jetson Nano的边缘智能系统平台,通过Tensor RT和C++加速推理将YOLOv5部署于Jetson Nano用于人数统计。经实验测试,以本地视频人数统计为例,部分小范围人数统计场景实时FPS可达24帧/秒左右。相比于以往大多数服务器端的人数统计,本文部署的端侧人数统计系统可直接用于实时性要求不高的小范围人数统计场景,大大降低了移动端人数统计任务所需的硬件成本,使得算法落地更加便捷高效。