人群计数旨在准确估计图像中的总人数并呈现其分布。相关数据集中的图像通常涉及各类场景且包含多人。为节约人力，大多数数据集通常在每个人头部以单点标注作为标签。然而，点标签无法囊括人头部的完整范围，使得人群特征与分布标签的匹配难以收敛，预测值无法聚集在前景区域，严重影响密度估计图质量和模型计数准确度。为了解决这个问题，使用计数损失来约束全图上的预测值范围，并佐以像素级的分布一致损失优化密度图匹配过程。此外，复杂场景中存在许多易与人群特征混淆的背景噪声，为了避免假阳性预测对后续计数和密度图估计的干扰，提出前景分割模块和特征增强损失来自适应地聚焦前景区域，并加大前景位置上人头特征对计数的贡献，从而达到抑制背景误判的作用。此外，为了使网络更好地适应人头的多尺度形态，对每个待训练图片分别进行上下采样操作，以获得具有同目标的多尺度形态。在多个数据集上进行了实验，结果表明，与最先进的方法相比，所提方法取得了更好或更有竞争力的结果。