在智能化视频监控系统建设的进程中,对人群的分析是一项非常有意义的项目。随着深度学习算法在计算机视觉领域取得了前所未有的突破,大量研究工作表明神经网络学习的图像特征较传统图像特征具有更强大的泛化能力和代表性。基于自身工作实际及社会面需求,本文采用深度学习的方法对人群密度估计问题进行研究,具体工作内容如下:(1)提出了一种基于深度学习的多尺度特征融合人群密度估计算法。算法采用基于人群密度分布图回归的方法,通过卷积神经网络学习人群图像和人群密度分布图之间的映射关系。由于透视畸变的存在,人群图像中不同位置的行人对应的尺度也会发生变化。本文通过设计一个深层单列卷积神经网络结构,利用不同层次的特征提取模块进行行人特征的提取,再将不同层次的特征图进行融合以此来解决人群图像中的尺度变化问题,最后将融合之后的特征图进行回归生成人群密度分布图,对人群密度分布图积分得到人群图像中的总人数。(2)在人群数据集ShanghaiTech和UCF CC 50上对本文提出的卷积神经网络模型进行训练和测试,与此同时还对数据集进行了扩增,在原有数据集的基础上采用不同的算法对人群图像进行不同程度的变换,以此使神经网络能够适应不同的应用场景,增强神经网络的鲁棒性。最后将实验结果与当前一些性能优异的人群密度估计算法进行对比,实验结果表明本文算法在估计结果的准确性和鲁棒性上有着更加优越的表现。(3)设计了一个简单可行的智能人群密度估计系统。系统由实时图像获取模块、人群密度估计模块和告警模块组成,能够对摄像头拍摄的场景进行实时的人群密度监测,当人群密度达到峰值时能及时启动报警。