1.一种基于深度神经网络的人群图像分析方法，其特征在于，所述方法包括：获取待分析的人群图像；

将所述人群图像输入至预设的编码器进行分析，得到所述人群图像对应的特征图；

对所述特征图执行预设的通道压缩操作，以得到所述特征图对应的通道压缩向量，其中，所述通道压缩操作用于实现压缩所述特征图的通道；

将所述通道压缩向量输入至预设的解码器进行分析，得到所述人群图像对应的分析结果，其中，所述分析结果用于表示所述人群图像中的人的数量。

2.根据权利要求1所述的基于深度神经网络的人群图像分析方法，其特征在于，所述对所述特征图执行预设的通道压缩操作，以得到所述特征图对应的通道压缩向量，包括：对所述特征图执行预设的注意力向量转换操作，以得到所述特征图对应的注意力向量，其中，所述注意力向量转换操作用于实现将所述特征图转换为对应的注意力向量；

基于所述注意力向量对所述特征图执行预设的向量压缩操作，以得到所述特征图对应的通道压缩向量，其中，所述向量压缩操作用于实现基于所述注意力向量对所述特征图的通道进行压缩。

3.根据权利要求2所述的基于深度神经网络的人群图像分析方法，其特征在于，所述对所述特征图执行预设的注意力向量转换操作，以得到所述特征图对应的注意力向量，包括：通过以下公式将所述特征图转换为所述特征图对应的注意力向量：M(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))其中，M(F)表示所述特征图对应的注意力向量，MLP表示多层感知机，AvgPool表示均匀池化运算，MaxPool表示最大池化计算，σ表示sigmoid函数，F表示所述特征图。

4.根据权利要求3所述的基于深度神经网络的人群图像分析方法，其特征在于，所述基于所述注意力向量对所述特征图执行预设的向量压缩操作，以得到所述特征图对应的通道压缩向量，包括：

通过以下公式对所述特征图的通道进行压缩；

1*1

其中，f 表示1x1的卷积运算， 表示矩阵乘法， 表示同元素相加，Fc表示所述特征图对应的通道压缩向量，F表示所述特征图，M(F)表示所述特征图对应的注意力向量。

5.根据权利要求2‑4任一项所述的基于深度神经网络的人群图像分析方法，其特征在于，所述基于深度神经网络的人群图像分析方法通过预设的人群图像分析模型实现，在所述人群图像分析模型的训练过程中，通过L2范式损失函数与BCE损失函数在ShanghaiTechA数据集中进行对所述人群图像分析模型的联合训练。

6.根据权利要求5所述的基于深度神经网络的人群图像分析方法，其特征在于，在所述人群图像分析模型的训练过程中，在所述人群图像分析模型中引入阈值图和DB函数层进行训练，并且在所述人群图像分析模型的训练完成后，将所述阈值图和所述DB函数层从所述人群图像分析模型中去除。

7.根据权利要求6所述的基于深度神经网络的人群图像分析方法，其特征在于，在所述人群图像分析模型的训练过程中，将初始学习率设置为0.0001，并且每迭代100代，即将学习率设置为降低为原本的学习率的0.1，将batch size设置为1，优化器设置为adam，组合损失函数的BCE loss的系数设置为0.1。

8.一种基于深度神经网络的人群图像分析装置，其特征在于，所述装置包括：获取模块，用于获取待分析的人群图像；

编码模块，用于将所述人群图像输入至预设的编码器进行分析，得到所述人群图像对应的特征图；

压缩模块，用于对所述特征图执行预设的通道压缩操作，以得到所述特征图对应的通道压缩向量，其中，所述通道压缩操作用于实现压缩所述特征图的通道；

分析模块，用于将所述通道压缩向量输入至预设的解码器进行分析，得到所述人群图像对应的分析结果，其中，所述分析结果用于表示所述人群图像中的人的数量。

9.一种计算机设备，其特征在于，所述计算机设备包括：存储有可执行程序代码的存储器；

与所述存储器连接的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1‑7任一项所述的基于深度神经网络的人群图像分析方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑7任一项所述的基于深度神经网络的人群图像分析方法。