1.一种基于尺度自适应的头部检测和密度图的人群计数方法，对图像进行特征训练和预测，其特征在于，包括以下步骤：S1：提取图像的梯度信息和图像的前景；

S2：生成与图像对应的尺度和参数；

S3：分割前景图像，筛选样例；

S4：用样例进行训练得到头部的训练模型；

S5：利用训练模型进行预测，得到预测结果；

S6：根据预测结果生成多尺度密度图，将密度图加和得到预测总人数。

2.根据权利要求1所述的基于尺度自适应的头部检测和密度图的人群计数方法，其特征在于，步骤S1中利用梯度差分方法提取图像的前景，包括以下步骤：S11：获取实验所需要的数据集，包括图片序列集、有在头部位置有标记的位置矩阵和透视关系矩阵；提取每一张图像的梯度信息和梯度夹角；

S12：利用梯度差分提取当图片序列中每一帧与其对应的前景。

3.根据权利要求2所述的基于尺度自适应的头部检测和密度图的人群计数方法，其特征在于，采用Log算子提取每一张图像的梯度信息和梯度夹角。

4.根据权利要求3所述的基于尺度自适应的头部检测和密度图的人群计数方法，其特征在于，步骤S2中利用检测模型来自动生成与图像对应的尺度和参数，包括以下步骤：S21：利用检测模型来对输入图片进行检测，得到不同尺度对于图片的匹配率，筛选出匹配率高的尺度；

S22：根据尺度的大小以及图像透视矩阵权值的比例来生成每个尺度对应的参数，参数用来在之后密度图加和的时候调整该尺度下密度图的权重。

5.根据权利要求4所述的基于尺度自适应的头部检测和密度图的人群计数方法，其特征在于，步骤S3中用不同尺度的patch以有重叠的方式分割前景图像，并通过自定义的规则筛选；包括以下步骤：S31：根据步骤S2中生成的多个尺度以有重叠的方式来分割图像，生成多个与之对应的patch的集合；

S32：对每个集合中的patch进行筛选，过滤掉信息量差的patch；

S33：用递归的方法从最大的尺度的集合开始，将集合中应属于更低一级尺度的patch样本分类出来，一直向下递归直到到达最小的尺度；

S34：用欠抽样的方法平衡样例。

6.根据权利要求5所述的基于尺度自适应的头部检测和密度图的人群计数方法，其特征在于，步骤S4中利用分段调参的方法调整学习步长和迭代次数，得到多个不同尺度下用于检测行人头部的多个训练模型。

7.根据权利要求1所述的基于尺度自适应的头部检测和密度图的人群计数方法，其特征在于，步骤S6包括以下步骤：S61：将预测的图像根据不同的尺度的patch以有重叠的形式分块，分块之后使用多个训练模型检测，得到该尺度下被检测的patch被预测的结果；

S62：利用预测结果生成不同尺度的密度图；

S63：结合透视矩阵和生成的权重加密度图加和，得到最终的总人数。