在过去的十年里,随着世界人口的增长和人民生活水平的不断提升,节假日期间的人口大规模流动现象越来越普遍,社会公共安全、城市交通监管和城市规划等领域面临着巨大的挑战。拥挤和踩踏等安全事故经常发生在人群密集的场所。因此,越来越多的科研人员致力于人群计数与密度估计研究。深度学习的兴起,极大的推动了计算机视觉任务研究的发展。在人群计数与密度估计问题上,基于卷积神经网络的人群计数方案可以很好的应对许多诸如人群分布不均、尺度变化、透视扭曲和光照变化等难点。本文首先系统性地对现有的计数和密度估计算法进行分析,然后提出了两种算法,从不同角度解决尺度变化以及透视失真等问题,并在现有的公开数据集ShanghaiTech、UCF_CC₅0和MALL上进行算法评估,论证了所提出算法的可行性和有效性。具体研究工作如下:1.介绍了一种基于感知尺度的人群计数方法。其主要思想为:将人群计数与密度估计任务划分为三个阶段,第一个阶段的主要功能为特征编码,并通过采用图像金字塔集合作为输入来初步增加计数模型对于多尺度特征信息表达的多样性;第二阶段的主要功能为多尺度信息提取,本文通过设计新颖的尺度感知模块与反向尺度感知模块进一步促进计数模型对多尺度信息的挖掘;第三个阶段的主要功能为生成人群分布密度图,该阶段主要由三路不同空洞率的空洞卷积列组成,并利用不同分支回归的特征图生成最终的人群分布密度图。此外,该算法在顶层卷积和底层空洞卷积层之间使用跳跃连接来降低网络梯度消失和梯度爆炸等风险,并利用中间监督策略优化网络参数。2.提出了一种用于人群计数的多阶段注意力卷积神经网络。其主要思想为:多阶段注意力卷积神经网络主要由分级密度估计器、软注意力机制模块和辅助计数分类器组成。分级密度估计器利用分级策略以由粗到细的方式挖掘语义特征与多尺度信息,并以此来解决尺度变化与透视失真问题。此外,本文考虑到背景噪声影响着生成密度图质量,于是将软注意力机制集成到模型中来拉伸前景与背景距离,从而进一步提升密度图质量。除此之外,受多任务学习的启发,本文在计数模型中嵌入辅助计数分类器执行计数分类辅助任务,从而增加模型对于语义信息的表达能力。大量的实验结果论证了所提出算法在解决尺度变化、透视失真问题的有效性与可行性。