随着全球经济的不断发展,我国城市化政策项目的落地不断推进城市经济发展,造成了人群迁徙到大城市,人口数量大量增加。因此,在一些大城市的公共场所会出现人群过度拥挤的状况,人群过度拥挤会很容易造成安全事件发生。可以通过视频监控来监测分析人群密度状态作为此类安全事件风险预警的一个重要指标,但是传统的监控设备的视频数据,依赖于人工处理,处理程序繁琐,信息滞后。因此,通过计算机视觉目标检测技术来实现监控设备智能化,让视频监控设备能够高效、准确地自动监测视频中的人数,这在公共安全区域风险预警、交通枢纽调度等有很大的应用价值。人群计数在计算机视觉目标检测领域中是一个研究热点,其研究目的就是通过构建好的模型架构,输入图像数据,然后通过模型训练直接得出人群数量或者通过模型训练生成的预测密度图逐像素累加得出人群数量。而在人群计数任务中主要存在的问题是:所输入的图像数据人群过度拥挤造成的相互遮挡,特征辨识度低;摄像机设备的拍摄角度容易造成同一帧图像中人头尺度差异问题。针对上述存在的问题,目前基于卷积神经网络模型所提出的解决方案,一般是通过多个并列的网络模型来提取单帧图像空间特征。但是此类网络忽略了视频帧序列的上下文的时间信息,并且为了节省训练时间,需要预先对单列网络训练,但这也增加了模型训练的复杂度;且单列网络之间在提取图像特征时没有共享特征信息,网络参数量增大了,增加了整体计算负担。因此,本文提出了基于残差三维卷积神经网络人群计数(Res-3D-CNN)模型通过生成预测密度图再逐像素累加完成计数任务。一方面,Res-3D-CNN模型中的三维卷积核可以提取视频图像帧的空间特征信息和视频帧连续序列的时间特征信息,模型提取的特征融合了图像相邻帧的运动信息,能够解决某一帧图像人群遮挡带来的噪声。另一方面,Res-3D-CNN模型采用跨连接组合方式,其效果等价为多列卷积网络架构,所等价的多列网络能够组合堆叠不同大小的卷积核提高了模型的特征表达能力,具有提取图像不同尺度人群特征信息的能力,解决了图像中人头尺度差异的问题。本文提出的Res-3D-CNN模型在常用的连续视频帧的人群数据集中,包括Mall数据集、Wordl Expo’10数据集做了实验测试,并针对同一个数据集和目前人群计数算法的实验结果作了对比分析,验证了本文提出的算法的可行性,同时Res-3D-CNN模型相对与多列网络架构,减少了冗余参数和设备的计算资源。