随着人口的增长和社会活动的频繁,公共场合人群聚集的情况日益增多,人群拥挤现象呈现明显升高趋势,如果没有及时采取有效措施控制人流,可能导致踩踏甚至出现人员伤亡的悲剧。另外,近几年常发生公共场合砍人等恶性暴力事件,如昆明火车站砍人事件,对社会稳定有序造成重大负面影响。因此,近年来随着深度学习的兴起与流行,通过计算机视觉领域研究人群特点成为了主要的研究方向,运用深度学习智能化地实现密集人群数量统计进而控制人流,同时实现公共场合有效地实时人群检测预警,对保障公共安全,建设智慧城市具有重要意义。针对目前人群检测领域上主要存在的网络参数冗余及容易过拟合、图像场景复杂且大尺度变化、对密集人群检测的准确性及鲁棒性存在不足的问题,本文提出了一种基于异步卷积神经网络的密集人群检测算法A-MCNN（Asynchronous Multi-column Convolution Neural Network）,能够减少参数的冗余及过拟合现象,有效应对大尺度复杂场景变化,提升生成密度图质量及计数的准确性及泛化性。本文的主要工作如下:1、本文提出了针对密集人群检测的异步卷积神经网络模型A-MCNN,采用三列异步更新参数的方式,通过优化的交互信息更新损失函数,反向传播更新权重参数,有效提升了网络学习效率,通过交互信息使得每列结构更多关注学习不同的特征信息,减少网络参数冗余。通过在UCSD、Mall、UCF＿CC＿50、Shanghai Tech Part A、Shanghai Tech Part B、UCF＿QNRF数据集上实验,MAE值分别比其他模型中最优模型下降1.1%、20.16%、1.9%、1.7%、14.4%、5.9%;MSE值分别比其他模型中最优模型下降4.3%、18.02%、9.8%、0.3%、12%、0.93%,验证了A-MCNN在人群检测的良好准确性和鲁棒性。2、本文设计了一种全新的损失函数用于训练优化,加入结构相似性损失,并融入交互信息得到全新损失。在shanghai Tech数据集Part B上的实验表明,加入损失相比损失的MSSIM值提升9.7%,验证了提出的损失能够有效提升密度图质量;同时在各数据集上进行A-MCNN采用损失和损失的对比实验,相比损失,采用损失的MAE值分别下降0.78%、10.4%、1.9%、7.3%、15.2%、4%,MSE值分别下降3.1%、8.4%、6.7%、6.0%、27.3%、0.64%,验证了损失能有效提升计数准确性和鲁棒性。3、本文设计了基于A-MCNN的深度图网络模型,具有前端与A-MCNN共享参数,在输出最后一个特征图后进行分支输出密度图和深度图的设计特点,并在有RGB和depth的数据集Shanghai Tech RGBD上进行有或无深度图的实验,有深度的A-MCNN比无深度的A-MCNN的MAE值降低8.1%,MSE值降低3.1%,比最优表现的CSRNet-adaptive的MAE值降低7.3%,MSE值降低2.4%,说明深度图能够提供更多空间语义信息,辅助人群检测,一定程度上提升计数准确性。4、本文设计了基于A-MCNN的人群实时监测预警系统,并编写Qt界面实时显示采集画面及预估密度图,针对过度密集和人流变化大的异常情况设定阈值和异常判定算法,通过时间序列平滑处理数据后,实时显示预估人数及人流变化速率,加入报警信号实时显示预警等级。通过在昆明火车站砍人事件等实际场景实验,验证了该预警系统的泛化性以及实用性。5、本文进行了大量的可视化实验,通过可视化像素值、各方法预估密度图可视化、与经典目标算法比较以及实际场景应用,展现了A-MCNN在人群检测特别是密集人群检测上的优势和适应场景变化的良好鲁棒性。