人工智能技术突飞猛进,机器学习、深度学习等技术已经被广泛地用于医疗、教育、生活交通、商业零售等各个领域,其中利用目标检测来进行室内人数统计一直以来是一个热门的研究。当前,针对目标检测的主流算法大多基于深度学习模型,大致可以分为基于分类和基于回归两种。基于分类的目标检测算法又称两阶段（two-stage）模型,它将检测问题分为两个步骤,先是选择一个候选区域（region proposals）,再对候选区域进行分类和定位,最终输出目标检测结果。其中最具代表性的是R-CNN系列算法,如R-CNN,SPP-Net,Fast R-CNN,Faster R-CNN等。基于回归的目标检测算法又称单阶段（one-stage）模型,该方法将目标检测过程简化为一种统一的端对端回归问题,并且通过一次图像的处理,可以获得目标的位置和分类信息。与基于区域提取的两阶段（two stage）模型相比,一阶段的特征共享可以在一次完整的训练中完成,提升了运算速度,提高了识别的精度,最具代表性的是YOLO系列、SSD等。由于室内监控画面存在人群相互遮挡,光照不均匀且目标特征模糊等问题,在进行检测时,已有的目标检测算法常常会发生检测不出来人像或者将一些原本不是人像的物体检测成人像的错误,这样常常造成识别率不高、漏检误检率高的问题,人数统计仍然面临很大挑战。为了解决此问题,本文基于YOLOv3算法针对室内人数统计开展了一系列的研究,主要工作如下:（1）提出一种基于全局注意力的室内人数统计模型,引入注意力机制Coordinate Attention,对目标检测算法YOLOv3的基础网络部分进行改进,通过提取更多小人头或模糊人头的特征来增强检测能力。实验结果表明,改进后的网络模型具有更高的召回率和平均精度。（2）为了使网络能够获取更多特征信息,增强对模糊或者较小目标检测能力,改进了YOLOv3算法的特征融合网络与多尺度检测网络,使其充分学习浅层特征,提出了F-YOLOv3模型,该模型中增加104×104尺寸的特征图输出并取消13×13尺寸特征图的输出;将原网络每一层上采样后的特征图继续上采样,将所获得的特征图与原始网络的对应大小进行了拼接;并将输出层前的5个卷积变成了1个卷积和2个残差单元,提取更多特征信息,增强对模糊或者较小目标检测能力;最后增加一个ADIOU Loss分支衡量检测框的定位准确度。实验结果表明,F-YOLOv3模型具有更高的召回率和平均精度,室内场景下的人员统计性能得到显著提升。