1.一种人群计数系统，其特征在于，包括：编码器，设置为获取人群图像，提取所述人群图像的初级特征，得到所述人群图像的初级特征图；

多尺度特征残差融合模块，与所述编码器连接，设置为基于所述初级特征图，以残差融合的方式，迭代提取所述人群图像的多尺度特征，得到所述人群图像的细节特征图；

解码器，与所述多尺度特征残差融合模块连接，设置为对所述细节特征图像进行分辨率恢复和降维，得到所述人群图像的人群密度图；

其中，所述多尺度特征残差融合模块包括：N个残差连接的密集感受野模块，其中，第一个密集感受野模块与所述编码器连接，所述第一个密集感受野模块的输入为所述初级特征图，第i个密集感受野模块的输入是第（i‑

1）个密集感受野模块的输出和所述第（i‑1）个密集感受野模块的输入之间的残差，N和i均为整数，N≥2，2≤i≤N；所述N个密集感受野模块的感受野随着网络深度的增加而变大；

LReLu激活单元，与第N个密集感受野模块连接，设置为对所述第N个密集感受野模块的输出进行LReLu激活，得到所述细节特征图；

其中，每个密集感受野模块包括：

M个密集连接的多尺度模块MSM，其中，前（M‑1）个MSM后各自连接有一个LReLu激活单元，M为整数，M≥2，所述M个MSM的感受野随着网络深度的增加而变大；

其中，每个MSM为并行排列的五分支结构，包括：第一分支，包括串行排列的1×1卷积和空洞率为1的3×3空洞卷积；

第二分支，包括串行排列的1×1卷积、1×3卷积和空洞率为2的3×3空洞卷积；

第三分支，包括串行排列的1×1卷积、3×1卷积和空洞率为2的3×3空洞卷积；

第四分支，包括串行排列的1×1卷积、1×3卷积、3×1卷积和空洞率为3的3×3空洞卷积；

第五分支，包括1×1卷积；

融合模块，与所述第一分支、所述第二分支、所述第三分支和所述第四分支连接；所述融合模块包括串行排列的拼接模块和1×1卷积，其中，所述拼接模块设置为将所述第一分支、所述第二分支、所述第三分支和所述第四分支的输出进行通道维度的拼接，所述1×1卷积设置为对拼接结果进行通道维度的降维；

相加模块，设置为将所述降维后的结果与所述第五分支的输出相加，其中，所述降维后的结果与所述第五分支的输出在空间维度和通道维度上的维数均相同；

其中，每个MSM的上一层的输出同时输入所述每个MSM的所述第一分支、所述第二分支、所述第三分支、所述第四分支和所述第五分支，进行并行处理；所述第一分支、所述第二分支、所述第三分支、所述第四分支和所述第五分支所提取的特征的尺度不同。

2.如权利要求1所述的人群计数系统，其特征在于，所述编码器为去掉所有批正则化层和最后三层全连接层的VGG‑16网络，所述VGG‑16网络加载预训练参数。

3.如权利要求2所述的人群计数系统，其特征在于，所述解码器包括：串行排列的多组空洞卷积和上采样单元，其中，每组空洞卷积和上采样单元包括串联排布的一个空洞卷积和一个上采样单元，第一组空洞卷积和上采样单元与所述多尺度特征残差融合模块连接；所述多组空洞卷积和上采样单元设置为对所述细节特征图进行分辨率恢复，其中，所述细节特征图在解码器中的分辨率的变化过程与所述人群图像在所述编码器中的分辨率的变化过程相对称；

1x1卷积，与最后一组空洞卷积和上采样单元连接，用于对分辨率恢复后的细节特征图进行通道维度的降维。

4.一种人群计数方法，其特征在于，包括：S10：获取多个训练人群图像；在每个训练人群图像中标注人头的位置，并采用固定参数的二维高斯分布拟合人头，得到所述每个训练人群图像的真值图；

S20：构建如权利要求1‑3任意一项所述的人群计数系统；

S30：以所述多个训练人群图像为训练集，以对应的多个真值图像为监督信息，对所述人群计数系统进行训练；

S40：获取待计数人群图像；将所述待计数人群图像输入到训练好的人群计数系统中，得到所述待计数人群图像的人群密度图。

5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求4所述的人群计数方法。

6.一种存储介质，其上存储有计算机可读的程序，其特征在于，所述程序被执行时实现如权利要求4所述的人群计数方法。