随着经济与社会的发展,物质生活得到满足的城市居民对精神生活的发展也更加重视,各种集体性活动大大增加,然而大量聚集的人群中往往隐含着一些安全隐患,因此通过获知场所中人员数量与分布进而实现科学管理十分重要。得益于运算设备的性能提升和更易获取的数据支撑,基于深度学习的研究方法日渐成为解决计算机视觉相关任务的主要方法,其相较于传统方法的优越性也展现得更加明显。本文研究基于深度学习的大规模人群计数方法,通过端到端的模型实现了人群分布及数量的预测,并对相应的可视化系统进行了设计。具体研究内容如下:1.研究真实人群密度图的生成方法。通过分析传统生成方法的不足,引入了基于动态调整的方法,构建了核生成器为每个人头标记点自适应地学习其密度表示核以供计数器更好地进行映射关系的学习;通过对VGG-16进行修改,确定了与核生成器联合训练的基线计数模型,以验证核生成器的有效性和动态调整法的先进性;通过分析欧式距离作为损失函数的不足,对其进行了相应改进。通过在Shanghai Tech、UCF-QNRF和UCF＿CC＿50数据集上进行实验,证明了基于动态调整自适应地生成真实密度图可以辅助计数器取得更好的性能,改进损失函数后模型准确性和鲁棒性得以进一步提升,证明了改进的有效性。2.研究人群计数的方法。针对现有人群图像的尺度变化大、背景复杂等问题,设计了一种基于多尺度特征多层次融合的网络模型。该网络模型基于扩张卷积构建了多尺度特征提取模块以提取更丰富的尺度特征;通过对不同深度的特征进行多尺度特征提取与聚合,实现了高层语义和底层细节的互补;利用注意力模块指导特征融合提高了有效特征的表达。通过在三种基准人群数据集上进行实验并将实验结果与现有经典算法进行对比与分析,证明了该模型能取得良好性能,同时进行消融实验验证了其中各模块的有效性。3.研究可视化系统的实现方法。从现实需求和实际应用出发,通过对真实密度图生成方法和人群计数方法进行封装和对用户交互界面进行设计,实现了通过简单操作便可得到人群图片预测结果的直观展示。