1.一种面向目标计数的类增量学习网络建模方法，其特征在于包括：S1：获取不同类样本的数据集，其中，所述数据集是需要计数的图的集合；

S2：对数据集样本进行在线增广；

S3：构建目标计数的类增量学习网络，所述类增量学习网络包括特征提取器、类无关模块和类增量模块，所述特征提取器分别与类无关模块、类增量模块相连，所述类无关模块与类增量模块相连，所述特征提取器用于提取基础特征向量，所述类无关模块用于根据所述基础特征向量进行学习，得到一致性的密度图，所述类增量模块用于根据所述基础特征向量进行分类，并基于分类结果和密度图进行回归计数；

S4：采用增广后的数据集样本对所述类增量学习网络进行训练，得到训练好的类增量学习网络；

所述类无关模块具体包括：

第一卷积层，包括两个3×3卷积层；

掩码层，包括依次相连的4个单卷积层和一个上采样层，所述4个单卷积层用于从第一卷积层的输出中获取掩码，所述上采样层用于对掩码进行双线性差值上采样，得到与输入样本大小相同的标准掩码；

激活层，用于先对标准掩码经过Sigmoid函数进行激活，再进行Ones‑like操作并与Sigmoid函数输出的激活特征做差，得到激活特征；

注意力层，包括依次连接的3×3卷积层、ReLu函数、3×3卷积层，用于根据激活特征得到注意力特征；

第二卷积层，包括拼接单元和3×3卷积层，所述拼接单元用于将第一卷积层的输出和所述注意力特征进行拼接，所述3×3卷积层用于将拼接后的特征卷积得到密度图；

所述类增量模块包括：

全局平均池化层，用于将所述基础特征向量进行全局平均池化；

分类器，用于基于全局平均池化层的输出进行分类，得到输入样本所属类别；

回归层，用于根据分类器的输出和密度图进行回归计数，得到不同类的计数。

2.根据权利要求1所述的面向目标计数的类增量学习网络建模方法，其特征在于：所述S2具体包括：S2‑1：将样本进行随机缩放；

S2‑2：将样本进行随机位置裁剪；

S2‑3：将样本进行随机翻转；

S2‑4：将样本进行伽马校正；

S2‑5：将样本进行灰度图转换。

3.根据权利要求1所述的面向目标计数的类增量学习网络建模方法，其特征在于：所述S3中的所述特征提取器具体为预训练的VGG16网络的前10层。

4.根据权利要求1所述的面向目标计数的类增量学习网络建模方法，其特征在于：所述S4具体包括：S4‑1：将每个类的数据集划分出训练数据集、验证数据集；

S4‑2：从所有类的数据集中任意选取一个类的数据集进行下面的训练；

S4‑3：设置训练参数，如果当前阶段为基训练阶段，对类增量学习网络进行随机初始化，如果是增量训练阶段，则直接采用之前训练得到的网络参数进行初始化，并扩充类增量模块的维度，使其维度能与之前已训练类和当前类的类总个数相匹配，扩充后新维度的参数进行随机初始化；其中，对于第一个类的训练为基训练阶段，对于其他后续类的训练为增量训练阶段；

S4‑4：采用范例集和当前类的训练数据集对类增量学习网络进行训练，并通过计算总损失对网络进行优化；

S4‑5：用验证数据集中的样本对训练完的类增量学习网络进行测试，并保存误差最小的网络参数，作为当前类训练得到的网络参数，所述验证数据集包括当前类和之前已训练类的验证数据集；

S4‑6：从当前类的数据集中选取符合预设条件的若干样本加入范例集；

S4‑7：返回执行步骤S4‑2，直至所有类的数据集训练完成，得到最终的目标计数的类增量学习网络。

5.根据权利要求4所述的面向目标计数的类增量学习网络建模方法，其特征在于：所述S4‑4中总损失的计算步骤包括：S4‑4‑1：计算类无关模块的掩码损失L1：其中，Xi表示每个批加载的数据，ai∈{0,1}是在语义分割图中的真实标签，0表示背景区域，1表示目标区域，pi表示类无关模块掩码层的像素级预测，σ( )表示Sigmoid激活函数；

S4‑4‑2：计算类增量模块中的分类损失L2：qi＝σ(Fcls)

avg

Fcls＝FC(F1 )

avg

其中，FC表示全连接层，F1 表示类增量模块全局平均池化层的输出，Fcls表示类增量模块分类器的预测输出，yi表示对不同类的类别标签，qi表示分类器分类预测的置信度；

S4‑4‑3：计算类增量模块的密度图估计损失L3：其中，B表示批的大小，Zi表示密度图的真实标签， 表示密度图的预测；

S4‑4‑4：计算之前已训练类的样本密度图预测的蒸馏损失L4：其中， 分别表示对于已训练类的密度图与当前类的密度图预测；

S4‑4‑5：计算各个损失的加权和，作为总损失：L＝L1+L2+(1‑λ)*L3+λ*L4

其中，λ表示超参数。

6.根据权利要求4所述的面向目标计数的类增量学习网络建模方法，其特征在于：所述S4‑6具体包括：S4‑6‑1：根据预先设定的范例集的内存K，计算平均分配到已训练类的个数K/Ii，Ii表示已训练类总个数；

S4‑6‑2：移除范例集中每个类末尾的样本，即对于每个已训练类移除K/(Ii‑1)‑K/Ii个样本；

S4‑6‑3：根据herding算法，选出当前类中最具代表性的K/Ii个样本添加到范例集中。

7.根据权利要求4所述的面向目标计数的类增量学习网络建模方法，其特征在于：所述S4‑1中划分训练数据集、验证数据集之后，在训练数据集、验证数据集中添加负样本。

8.一种面向目标计数的类增量学习网络建模装置，包括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权利要求1‑7中任意一项所述的方法。