1.一种基于注意力特征融合与多列特征增强的人群计数方法，其特征在于，所述方法包括：获取待识别人群图像；

将所述待识别人群图像输入训练好的人群计数网络模型的概率图生成网络模块中进行处理，输出概率图；

将所述待识别人群图像和所述概率图输入所述训练好的人群计数网络模型的密度图回归网络模块中进行处理，输出密度图，所述密度图回归网络模块包括多列特征增强网络和双注意力特征融合网络；

对所述密度图进行积分运算，获得所述待识别人群图像中的人群计数；

所述概率图生成网络模块包括使用VGG‑16网络的前13个卷积层和前4个最大池化层构成的编码器、第一上采样、第一拼接操作、第二拼接操作、第三拼接操作、第四拼接操作、第一特征调整单元、第二特征调整单元、第三特征调整单元、第四特征调整单元；

所述将所述待识别人群图像输入训练好的人群计数网络模型的概率图生成网络模块中进行处理，输出概率图，包括：所述待识别人群图像输入所述编码器进行特征提取，获得不同尺度的五张特征图，按照尺度从大到小依次为：第一特征图、第二特征图、第三特征图、第四特征图和第五特征图；

所述第五特征图输入所述第一上采样进行双线性插值上采样后，采用所述第一拼接操作与所述第四特征图进行拼接，获得第一拼接特征；

所述第一拼接特征输入所述第一特征调整单元进行特征调整后，采用所述第二拼接操作与所述第三特征图进行拼接，获得第二拼接特征；

所述第二拼接特征输入所述第二特征调整单元进行特征调整后，采用所述第三拼接操作与所述第二特征图进行拼接，获得第三拼接特征；

所述第三拼接特征输入所述第三特征调整单元进行特征调整后，采用所述第四拼接操作与所述第一特征图进行拼接，获得第四拼接特征；

所述第四拼接特征输入所述第四特征调整单元进行特征调整，获得概率图；

所述密度图回归网络模块包括：使用VGG‑16网络的前13个卷积层和前5个最大池化层构成的特征提取单元、第一多列特征增强单元、第二多列特征增强单元、第一双注意力特征融合单元、第二双注意力特征融合单元和密度图生成单元；

所述将所述待识别人群图像和所述概率图输入所述训练好的人群计数网络模型的密度图回归网络模块中进行处理，输出密度图，包括：将所述待识别人群图像和所述概率图输入所述特征提取单元进行特征提取，获得所述特征提取单元的第10个卷积层输出的第六特征图、所述特征提取单元的第13个卷积层输出的第七特征图和所述特征提取单元的第5个最大池化层输出的第八特征图；

所述第八特征图输入第一多列特征增强单元进行特征增强，获得第一增强特征图；

将所述第一增强特征图和所述第七特征图输入所述第一双注意力特征融合单元进行特征融合，获得第一融合特征图；

将所述第一融合特征图输入第二多列特征增强单元进行特征增强，获得第二增强特征图；

将所述第二增强特征图和所述第六特征图输入所述第二双注意力特征融合单元进行特征融合，获得第二融合特征图；

将所述第二融合特征图输入所述密度图生成单元进行密度图生成，获得密度图；

所述第一多列特征增强单元和所述第二多列特征增强单元为结构相同的多列特征增强网络，所述多列特征增强网络包括多列增强结构和注意力结构；

输入所述多列特征增强网络的特征图分别输入多列增强结构和注意力结构中，经过注意力结构获得注意力权重，以及经过多列增强结构获得增强特征，再将注意力权重和增强特征进行点乘，输出增强特征图；

所述第一双注意力特征融合单元和所述第二双注意力特征融合单元为结构相同的双注意力特征融合网络，所述双注意力特征融合网络包括：第十三卷积、第十四卷积、第三Relu激活函数、第十五卷积、第二全局平均池化、第十六卷积、第四Relu激活函数、第十七卷积、第二Sigmoid函数、平均池化、最大池化、第十八卷积和第三Sigmoid函数；

输入到双注意力特征融合网络的深层增强特征图进行上采样后，再与输入到双注意力特征融合网络的浅层特征图拼接后输入所述第十三卷积进行处理，获得第一特征；

对所述第一特征依次通过所述第十四卷积、所述第三Relu激活函数和所述第十五卷积进行操作，输出第一操作结果；

对所述第一特征依次通过所述第二全局平均池化、所述第十六卷积、所述第四Relu激活函数和所述第十七卷积进行操作，输出第二操作结果；

将所述第一操作结果和所述第二操作结果相加后使用所述第二Sigmoid函数激活，获得一个0到1之间的权值w；

将所述权值w与所述深层增强特征图相乘，获得处理后的深层特征图；

将权值(1‑w)与所述浅层特征图相乘，获得处理后的浅层特征图；

将处理后的深层特征图与处理后的浅层特征图相加，获得初步融合特征图；

将所述浅层特征图分别采用所述平均池化、所述最大池化进行操作的结果进行拼接后，输入到所述第十八卷积处理后通过所述第三Sigmoid函数激活，激活后的输出作为权重与所述初步融合特征图相乘，获得融合特征图。

2.根据权利要求1所述的基于注意力特征融合与多列特征增强的人群计数方法，其特征在于，所述多列增强结构包括第一卷积、第二卷积、第三卷积、第四卷积、第五卷积、第六卷积、第七卷积和第八卷积；

输入多列增强结构的特征图分别输入第一卷积、第二卷积、第三卷积和第四卷积处理通道数，对应获得第一处理后特征、第二处理后特征、第三处理后特征和第四处理后特征；

所述第二处理后特征输入第五卷积进行处理，获得第五处理后特征；

所述第三处理后特征与所述第五处理后特征相加后再经过第六卷积处理，获得第六处理后特征；

所述第四处理后特征与所述第六处理后特征相加后再经过第七卷积处理，获得第七处理后特征；

将所述第一处理后特征、所述第五处理后特征、所述第六处理后特征和所述第七处理后特征进行拼接后再经过第八卷积处理，输出增强特征。

3.根据权利要求1所述的基于注意力特征融合与多列特征增强的人群计数方法，其特征在于，所述注意力结构包括：第九卷积、第一Relu激活函数、第十卷积、第一全局平均池化、第十一卷积、第二Relu激活函数、第十二卷积和第一Sigmoid函数；

输入注意力结构的特征图分别依次经过第一支路的第九卷积、第一Relu激活函数和第十卷积，以及依次经过第二支路的第一全局平均池化、第十一卷积、第二Relu激活函数和第十二卷积处理后，将第一支路和第二支路的输出相加后通过第一Sigmoid函数进行激活，得到注意力权重。

4.根据权利要求1所述的基于注意力特征融合与多列特征增强的人群计数方法，其特征在于，所述密度图生成单元包括：2个3×3卷积和1个1×1卷积；

所述第二融合特征图经过2个3×3卷积减少融合特征图的通道后，再通过1×1卷积生成密度图输出。

5.根据权利要求1所述的基于注意力特征融合与多列特征增强的人群计数方法，其特征在于，所述人群计数网络模型的训练方式为：获取人群图像数据样本集，所述人群图像数据样本集中的人群图像数据样本包括人群图像数据以及对应真实人群概率图、真实人群密度图；

将所述人群图像数据样本集划分为第一训练集、验证集和测试集；

分析所述第一训练集中的每个人群图像数据中每个32×32块的局部计数值，基于局部计数值超过预设值的块，生成密集区域的人工合成图以及对应的真实人群概率图、真实人群密度图作为人工合成密集数据样本；

将所述人工合成密集数据样本加入所述第一训练集中，获得第二训练集；

采用所述第一训练集和所述验证集对所述人群计数网络模型的概率图生成网络模块进行训练，并采用所述第二训练集和所述验证集对所述人群计数网络模型的密度图回归网络模块进行训练，在训练过程中使用三重计数损失函数计算梯度，使用Adam优化器来更新优化所述人群计数网络模型的概率图生成网络模块和所述密度图回归网络模块的网络参数，直至满足训练终止条件，获得最优的人群计数网络模型；

采用所述测试集输入所述最优的人群计数网络模型进行测试，若测试结果满足精度要求，获得训练好的人群计数网络模型；

所述三重计数损失函数L为：

，

其中，

，

其中，Lpmg为概率图生成网络模块的损失， 是第一训练集中的人群图像数据样本数量，是输入的人群图像数据，是网络权重， 表示对 的预测概率图， 表示真实人群概率图；

，

其中，Ldmr为密度图回归网络模块的损失，M是第二训练集中的人群图像数据样本数量，是与所述概率图生成网络模块不共享的网络权重， 表示对 的预测密度图，是真实人群密度图；

，

，

其中，Lc为最终的计数结果与真实计数之间的损失， 表示 的预测密度图和真实人群密度图的人群数量之差。