基于监控视频的人数识别在现代安防、交通调度以及智能数据分析等多个领域都有着重要的指导意义和广阔的应用前景。随着人工智能技术的飞速发展,基于计算机视觉的智能图像处理以人工智能为依托,逐渐拥有了一套成熟的研究体系和研究成果。基于此,本文基于深度学习的智能图像处理技术设计并实现了一个基于公共场所监控视频的智能人数识别系统,该系统通过对监控视频中提取的图像数据进行分析,从而给出视频中包含的人群数量。对图像中的人数进行识别的算法是本系统的核心。近年来,基于深度学习的人数识别已经取得了许多非常卓越的研究成果,该领域的研究方向主要集中在超高密度人群场景的人数识别上,例如基于CNN人群密度图的人数估计方法等。但是结合本文的应用场景,公共场所可能会出现人群稀疏和稠密两种情况,例如地铁站在上班高峰期和平峰期的人群密度差异很大,使用单一的识别算法无法同时适用于上述两种识别场景。基于此,本文设计并实现一个基于图像密度信息的多网络融合识别模型SwMulNet,该模型将基于目标检测的Faster R-CNN算法和基于密度图进行人数估计的CaNet算法进行融合,使用上述两个算法分别进行不同密度场景下的人数识别任务,并且加入了基于SPP的多尺度特征提取方法,用于解决由图像透视现象导致的目标漏检问题。为了实现输入图像和识别算法的之间的自动匹配,在识别网络前设计了一个基于CNN的分类器Switch,实现了根据Switch的分类结果将输入图像分配到对应的识别算法中。为了提升人数识别系统的实时性,本文的设计将系统的人数识别任务和识别结果展示任务进行分离,使用异步调度的方式避免了由人数识别算法所造成的速度上的瓶颈。基于上述设计,本文的人数识别系统可以在一定程度上克服人群的遮挡以及形变等问题,兼容人群疏密程度跨度大等复杂的识别场景,并且有较低的时延,能够实时地展示人数统计的结果,具有较高地实用价值。