1.一种基于边缘计算的人群异动监测系统，其特征在于：由监控设备、边缘端、智能预警系统以及云端服务器组成，所述监控设备包含视频摄像头，用于实时获取人群密集区域的人数以及动向信息；所述智能预警系统以边缘端设备为载体，设备中包含人数监测，人群异动检测，两种深度学习模型，对通过摄像头传入的视频数据进行分析判断，将结果展示在边缘端服务器上；所述云端服务器用于智能预警系统模型的训练以及参数的更新。

2.根据权利要求1所述一种基于边缘计算的人群异动监测系统，其特征在于基于边缘端设备的智能预警系统，包括以下步骤：S21用于实现人数监测的步骤：

摄像头将获取到人群的视频数据传到边缘设备Jetson TX2中，设备中部署好的人群计数模型对视频帧进行计算，从而得到当前帧人数，将其显示到边缘端服务器上；

S22用于实现人群异动检测的步骤：

摄像头将获取到人群的视频数据在经过人群计数模型后会传输给人群异常行为识别模型，通过边缘端服务器来判断是否需要发出警报；

S23用于实现智能预警系统模型的训练以及参数的更新的步骤：边缘端服务器将边缘端设备汇总的包含人数检测结果的视频与发出报警信息的视频上传到云端服务器，服务器使用相关视频对所对应的模型进行进一步训练，更新模型的参数，提高模型的精度。

3.根据权利要求2所述一种基于边缘计算的人群异动监测系统，其特征在于步骤S21：通过Csr‑net模型进行人数统计；该模型包括数据预处理部分，模型训练部分和人数统计部分；数据预处理部分将监控设备获取到当前人群图像通过高斯核函数转化为二值化的真实密度图，作为训练的标签，在转化过程中，高斯核函数的关键值σ在人群稀疏的情况下可以采用固定值，在人群密集的情况下可以采用自适应的值；模型训练部分通过输入原图像与真实密度图，输出预测密度图进行训练，该过程模型不断更新参数，使得预测密度图与真实密度图之间的误差尽可能小，训练固定轮数之后将误差最小的模型参数保存下来，并传输给人数统计部分；人数统计部分使用该参数进行人数统计，将监控设备获取到当前人群彩色图像转化为二值化的人群的密度图，最后对密度图中的像素值进行相加从而得到人数。

4.根据权利要求2所述一种基于边缘计算的人群异动监测系统，其特征在于步骤S22：由于帧差图得到的是人群变化的剧烈程度，理论上只有人的变化；光流得到的是所有物体的变化程度，有背景的噪音；所以将帧差图与光流图结合在一起进行人群异动的判断，有助于减少背景噪音带来的误差，提升判断的准确率；

使用视频数据的光流图和Csr‑net生成的密度视频的帧差图作为输入，分别经过两种具有不同卷积核的卷积模块，输出为两组特征图，帧差图对应特征图A，光流图对应特征图B；然后对这两组特征图分别使用全连接层，再用Relu激活函数输出，此时输出为两个数，帧差图对应A1，光流图对应B1；然后对A和B使用BP神经网络，最终得到帧差图的权重系数W1和光流图的权重系数W2；

接着，使用W1*A+W2*B作为新的输入，经过2个卷积模块，输出两组特征图；然后将这两组特征图输入到全连接层中，再利用Softmax函数判断其是否为人群异动情况；若输出置信度大于设定阈值(本系统中阈值设定为90％)，则在边缘服务器端判定为暴力行为；若小于设定阈值，则将相应视频片段传入云端服务器再做判断。

5.根据权利要求1所述一种基于边缘计算的人群异动监测系统，其特征在于云端服务器：云端服务器包括软件模块，管理模块，硬件模块和接入模块；软件模块为云端服务器中的各个应用模块提供软件支撑，例如视频数据存储模块接口，人群计数模块接口，人群异动判断模块接口，能够使工作人员在云端的客户端上更加便捷对功能模块进行操作；管理模块进行资源管理和任务管理，资源管理实现系统数据的存储与定期删除，任务管理实现对边缘端传输来的报警视频进行识别并再次训练，从而使模型的参数得到更新；硬件层提供硬件资源，对存储资源、计算资源和网络资源使用不同的硬件资源进行管理；接入层为其它模块的数据提供网络接入服务，既能够使监控视频数据传输至云端服务器中，也能够使云端服务器将更新的模型参数下发至边缘端。