近几年来,随着城镇人口的急速增加,大规模人群聚集引发的公共安全事件越来越多,因此对人群人数进行实时监控在保障公共安全上具有重要意义。以往利用人工方式对视频中的人群进行监控,不仅容易产生疲劳,而且由于人的主观性,对人群人数估计不准。随着计算机视觉技术的发展,自动从监控视频中获取人群人数和人群分布规律成为可能,而且人群人数信息在商业、公共交通、城市管理等方面也具有很高的研究价值。人群图像计数最大的难题在于人群环境复杂多变,而且人群中的人具有多视角,低分辨率和遮挡严重等问题。针对以上问题,给出了多尺度特征融合的对抗神经网络方法,网络在利用不同大小的卷积核和一个池化滤波器提取不同尺度的浅层人群信息,然后利用残差连接将深层和浅层人群特征进行融合,提高网络对小目标的检测能力,最后通过对抗方式进行训练,指导模型生成高质量的人群密度图,从而实现对人群图像的人群计数。本文在ShanghaiTech和UCF_CC₅0等两个主要的人群计数数据集上进行了一系列训练和测试。首先,在ShanghaiTech上设计了四个实验,验证多尺度特征融合、深浅层次特征融合和对抗损失函数对于人群计数效果的提升。然后在ShanghaiTech和UCF_CC₅0上进行实验,并与当前主流算法的结果进行了对比,证明了该方法在复杂人群环境下具有较高的准确率和鲁棒性。