人群计数任务是智能视频监测系统的重要组成部分之一,不仅在城市公共安全领域而且在商业领域都有非常重大的应用价值和意义。因为卷积神经网络的出现,人群计数算法的性能得到了显而易见的提升,同时也面临了诸多挑战,比如背景杂乱、多尺度变化,人群计数算法提升空间依然存在。本文针对以上问题,对人群计数算法展开探讨,研究内容如下:1.提出了一种基于语义细化的空间金字塔人群计数网络。该网络包括三部分:骨干网络、空间金字塔多尺度模块和语义增强模块。首先,所提网络利用骨干网络提取到人群图像的基础特征,然后为了能够捕获到多尺度特征,将基础特征输入到空间金字塔多尺度模块,其中空间金字塔多尺度模块被设计成多个平行分支多感受野的结构。然后,语义增强模块被设计用来细化由空间金字塔多尺度模块捕获的多尺度特征,语义增强模块利用深层的语义信息来细化多尺度特征。最后,所提网络把浅层纹理信息用来对特征图丢失的细节信息进行补偿,以提高密度图的质量。2.提出了基于全局注意力机制和密集多尺度的人群计数网络。该网络包括三部分:特征提取器、密集多尺度模块和全局注意力模块。首先,得益于特征提取器强大的特征捕获能力,我们能够得到基础特征。其次,密集多尺度模块利用基础特征提取多尺度特征。密集多尺度模块是由拥有不同空洞率的四个密集块组成的,由于四个密集块是通过串联的方法进行连接,因此每一个密集多尺度块都可以访问所有后续层并传递需要保留的信息,进一步扩大了网络的尺度感受范围。最后,我们利用全局注意力模块对骨干网络中的浅层特征进行优化,使得我们的网络能够对浅层纹理特征中的人群和干扰背景进行增强和抑制,让网络更加关注人群区域,减少对不相关背景信息的关注,以此提升网络性能。本文提出的人群计数算法与近年来优秀的的人群计数算法在公开的几大数据集上进行对比,从实验数据可以看出,本文所提的算法计数误差低,并且在不同场景的有效性得到了验证。