人群计数是智能监控系统的重要组成部分,其在公共安全、智慧交通、智能商业等领域发挥着越来越重要的作用。随着卷积神经网络在人群计数任务中的不断发展,计数的准确性得以不断提升。但是在真实的人群场景中,现有的算法仍然面临着诸多挑战。本文将从算法的提出和系统的实现两方面进行研究,主要工作总结如下:人群计数可以对视频监控图像中的人数进行估计。本文提出了一种以跨层连接网络为主干的人群计数网络,来解决人群的尺度变化问题。与增加网络不同列数的方法相比,跨层连接的网络结构可以在网络深度相同时,增加不同尺寸的感受野的数目。其通过对网络回归得到的人群密度图进行积分求和,从而实现人群计数。但是,真实的人群场景中存在不均匀分布,导致计数的准确性降低。为了克服这一问题,本文在网络后端引入空间注意力网络,该网络通过学习缩放因子来动态的调整每个相应区域的密度估计,生成更为准确的局部密度图,从而减小局部误差。在Shanghai Tech、UCF-QNRF、UCF＿CC＿50、NWPU-Crowd数据集上进行了广泛的实验。与其他方法相比,所提算法能够提升人群尺度变化时的计数准确性,并且降低人群不均匀分布时的计数误差。为了进行系统的实现,本文首先从系统需求分析出发,进行了设备架构和功能模块的分析与设计。在搭建了系统开发相关的硬件设备和开发环境的基础上,进行了软件功能模块的分配和实现。最后,通过结合硬件设备和软件模块的调用进行了系统的整体实现。选取某大学教学楼楼道和某地铁站换乘通道两个不同的室内场景,进行了实际的系统验证。实际的测试结果证明了,在本系统的硬件环境下,对于标准监控视频图像的处理速度可以达到12帧/秒,统计准确率可以达到85%以上。人群计数系统的实现证明了该算法的有效性,人数信息的获取也可以为后续的人流量检测提供数据支持。