1.一种类增量目标计数自我反思模型建立方法，其特征在于，包括：步骤S1：将包含若干待计数图像的数据集划分为训练数据集、验证数据集及测试数据集，并确定数据集中不同类别图像的学习顺序；

步骤S2：对训练数据集中的图像进行预处理；

步骤S3：构建类增量目标计数自我反思模型，包括全局感知增量回归分支、不确定性预估分支和自我反思机制；所述全局感知增量回归分支用于提取输入图像的全局特征，生成图像对应类别的预测密度图；所述不确定性预估分支的输出作为正则化信号引导全局感知增量回归分支的学习过程；所述自我反思机制修正全局感知增量回归分支的输出，促进全局感知增量回归分支对旧类别知识的反思；

步骤S4：按照顺序获取预处理后的训练数据，对类增量目标计数自我反思模型进行训练；

步骤S5：通过验证数据集筛选出预测精度最高的类增量目标计数自我反思模型保存；

步骤S6：采用测试数据集对保存的模型进行测试，获取当前类别的目标计数准确度；

步骤S7：返回执行步骤S4，直至完成所有类的训练，得到训练完成的类增量目标计数自我反思模型；

所述S4具体包括：

步骤S4‑1：设置训练参数，如果当前阶段为人群类别训练阶段，对类增量目标计数自我反思模型进行正态分布初始化，如果是增量训练阶段，则采用前一次训练得到的网络参数进行初始化，对于为当前类别新扩展的参数仍然使用正态分布进行初始化；

步骤S4‑2：如果当前样本属于新类，则从属于旧类的训练数据中选择若干代表性图像，将这些图像与属于新类的图像构成新类训练数据集，如果当前样本不属于新类，则执行步骤S4‑3；

步骤S4‑3：全局感知增量回归分支对图像进行全局信息的提取，并为当前类别生成密度图，计算计数损失 和分类损失步骤S4‑4：不确定性预估分支执行协作损失函数，协作损失函数 的计算方法如下：den unc

式中，N表示样本数量，Pi 和Pi 分别表示对于第i张图片，全局感知增量回归分支和不确定性预估分支输出的预测密度图；利用不确定性预估分支的输出和真实标签计算不确定性预估分支的计数损失 计算方式与全局感知增量回归分支的计数损失 一样；

步骤S4‑5：如果当前图像属于旧类别，则使用自我反思机制修正全局感知增量回归分支的输出，计算自我反思损失 如果当前图像不属于旧类别，则直接执行步骤S4‑6；

步骤S4‑6：结合步骤S4‑3到步骤S4‑5所计算的损失对网络参数进行优化，损失的计算方法如下：式中， 为模型的总损失，λ1和λ2为控制损失重要性的超参数；

所述S4‑5中的自我反思损失计算方法如下：

den

式中，N表示样本数量，Pi 和 分别表示第i张图像对应的预测密度图和真实的目标数den量，SSIM(·)表示结构相似性度量指标，如果∑Pi 大于0，计算 否则

2.根据权利要求1所述的类增量目标计数自我反思模型建立方法，其特征在于：所述步骤S1中，所述确定数据集中不同类别图像的学习顺序，具体如下：从数据集中选择人群类别图像作为基类，并加入背景图像进行第一个阶段的训练，剩余类别的图像数据作为增量类，进行后续训练。

3.根据权利要求1所述的类增量目标计数自我反思模型建立方法，其特征在于：所述步骤S2中，图像预处理方法具体如下：步骤S2‑1：将图像以预设概率范围进行随机缩放并裁剪为固定分辨率；

步骤S2‑2：将裁剪后的图像进行数据增广，包括：S2‑2‑1：将图像以预设概率进行随机水平翻转；

S2‑2‑2：将图像以预设概率进行随机伽马校正；

S2‑2‑3：将图像以预设概率进行随机灰度处理。

4.根据权利要求1所述的类增量目标计数自我反思模型建立方法，其特征在于：所述步骤S3中的全局感知增量回归分支具体包括：卷积特征提取器，由若干卷积层堆叠形成，用于提取图像的基础特征；

多头自注意力编码单元，用于增加特征对图像的全局上下文信息感知能力；

动态可扩展的卷积层，用于动态预测当前训练类别和已学习类别的密度图；

分类器，由自适应平均池化层和卷积层组成，用于预测当前阶段的类别信息。

5.根据权利要求1所述的类增量目标计数自我反思模型建立方法，其特征在于：所述步骤S3中的不确定性预估分支具体包括：堆叠的卷积层，用于为不确定性预估分支预测密度图；

不确定性预估层，隔离网络中的特定参数。

6.根据权利要求1所述的类增量目标计数自我反思模型建立方法，其特征在于：所述步骤S3中的自我反思机制通过以下方式实现：将全局感知增量回归分支的输出归一化，再乘以真实目标数量，得到修正后的全局感知增量回归分支的输出，使用修正后的输出促进全局感知增量回归分支对旧类别知识的反思。

7.根据权利要求1所述的类增量目标计数自我反思模型建立方法，其特征在于：所述S4‑3中的计数损失 和分类损失 的计算方法具体为：S4‑3‑1：按照下式计算计数损失：

j

式中，N表示样本数量，m表示真实标注中的第j个标注点是否被认为是可靠的，表示预测密度图在第j个标注点上产生的偏差，该偏差由贝叶斯损失计算；

S4‑3‑2：按照下式计算分类损失：

cls

式中，N表示样本数量，Ci和Pi 分别表示第i个图像的真实类别信息和预测的分类信息。

8.一种类增量目标计数自我反思模型建立装置，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。