人群计数是指对人群图片中的人数进行估计,人群定位是指对人群图片中每一个人在图片中的位置进行精确定位。近些年,基于密度图和深度学习的人群计数发展迅速,成为当前人群行为研究的主要研究方向之一。但目前大部分研究侧重于对网络结构进行改进,缺少对密度图生成方法的研究。对此,本文提出了一种新的密度图生成方法,可以生成质量较好的密度图,使一个轻量的人群计数框架在不同拥挤程度的人群场景中达到领先的人群计数性能;且由于新方法生成的密度图中拥有清晰的个体位置信息,因此可以实现更有效的人群定位。首先,本文提出了一种新的密度图处理方法——基于透视感知的密度图生成方法。本方法对目前普遍使用的几何自适应核估计法进行了如下三方面改进。第一,对于每个点标注,利用该点周围局部区域内的点标注密集程度估计该点标注的透视程度,解决了该方法在人群局部分布不均匀时存在估计误差的问题;第二,根据透视畸变对与相机距离相同的物体影响程度一致的原理,估计每一行的透视值,解决了该方法对位于图像同一行的人群分布不均匀时存在估计误差的问题;第三,本方法将透视感知密度图的高斯核大小控制在一定范围内,避免了几何自适应核估计法对离群点的高斯协方差估计过大的问题。相比于几何自适应核估计法,透视感知密度图可以有效提升模型的精度。其次,本文提出了一个多分辨率损失网络,该网络结构采用了自编解码网络的思想,可以输出高分辨的密度图,为基于密度图的人群定位进行了铺垫。同时,该模型引入了多分辨率损失,利用高低两种不同分辨率的密度图对网络模型进行训练,相较于单分辨率损失,在人群计数的回归精度上有一定程度的提升。最后,本文将图像分类领域中的蒸馏学习方法引入到人群计数领域,通过蒸馏学习使模型同时对真值密度图和教师模型的输出进行学习,引入了新的监督信息,打破了真值密度图对网络模型精度的制约,使模型精度进一步得到提升。另外,本文提出了迭代蒸馏的模型学习框架,结合蒸馏方法使人群计数模型在学习尺度信息变化大的人群密度图时,学习到个体位置信息更加清晰的真值密度图。在每一次蒸馏学习过程中,真值密度图的定位信息都将得到进一步增强,可对人群中的个体实现更精确的定位。