1.一种基于场的高密度人流量定位与监测方法，其特征在于，该方法包括：步骤一，根据获取的原始彩色人流量图像生成七通道图像数据T{R,G,B,D,H,M,N}，其中，R、G、B为原始彩色图像RGB数据的对应通道分量，D通道为暗通道数据，H通道为亮通道数据，M通道为高光细节，N通道为阴影细节；

步骤二，根据常用的人流量监测数据集生成场数据F{X,Y,C,R}，作为标注数据，其中，X分量表示横坐标方向上向真值点聚拢的强度，Y分量表示纵坐标方向上向真值点聚拢的强度，C分量表示标注位置的置信度，R分量表示标注半径；

步骤三，根据场数据设计损失函数Loss＝MSEXY*H(C)+MSER，其中，MSEXY为场数据分量X、Y的联合均方误差损失，H(C)为分量C的交叉熵损失，MSER为分量R的均方误差损失；

步骤四，将原始彩色人流量图像与标注数据作为样本数据集，基于损失函数Loss对深度神经网络进行训练；

步骤五，将待检测原始彩色人流量图像的七通道数据输入训练好的深度神经网络，根据网络输出场数据进行热力图重建，对热力图中亮斑进行计数和定位，实现高密度人流量定位与监测；

所述步骤一中的暗通道数据为：

D(i,j)＝min(R(i,j),G(i,j),B(i,j))其中，D(i,j)是像素位置(i，j)处暗通道数据D的像素值；

所述亮通道数据为：

H(i,j)＝max(R(i,j),G(i,j),B(i,j))其中，H(i,j)是像素位置(i，j)处亮通道数据H的像素值；

所述高光细节为：

其中，M(i,j)是像素位置(i，j)处高光细节M的像素值；

所述阴影细节为：

其中，N(i,j)是像素位置(i，j)处阴影细节N的像素值；

所述步骤二中的场数据具体为：

设真值点坐标位置为(x’,y’)，当前像素位置的坐标为(x，y)，distance为当前像素位′ ′置与真值点位置之间的距离, dx＝abs(x‑x)，dy＝abs(y‑y)为当前像素坐标位置与真值点坐标位置之间的x轴、y轴距离；

对X分量有：

对Y分量有同上的定义：

对C分量有：

对R分量有：

其中，r0为预设的标注半径。

2.如权利要求1所述的基于场的高密度人流量定位与监测方法，所述步骤三包括：根据场数据设计损失函数Loss＝MSEXY*H(C)+MSER，场数据分量X、Y的联合均方误差损失MSEXY：分量R的均方误差MSER：

分量C的交叉熵损失H(C)：

其中，Output(i,j)x、Output(i,j)y、Output(i,j)r、Cout(i,j)分别为输出数据位置(i，j)处场数据中X分量值、Y分量值、R分量值、C分量值，GT(i,j)x、GT(i,j)y、GT(i,j)r、CLabel(i,j)为标注数据位置(i，j)处场数据中X分量值、Y分量值、R分量值、C分量值，rows为输出图像的行数，cols为输出图像的列数，all指代所有像素位置，α为一超参数。

3.如权利要求1所述的基于场的高密度人流量定位与监测方法，所述步骤五中的根据网络输出场数据进行热力图重建包括：对场数据的各分量进行上采样处理，根据上采样结果进行热力图重建，得到热力图Heat：Heat＝(BoxFilter(Xup)+BoxFilter(Yup))*BoxFilter(Rup)*Cup其中，BoxFilter是均值滤波器，Xup、Yup、Rup、Cup分别表示经过金字上采样的X分量、Y分量、R分量、C分量。

4.如权利要求1或3所述的基于场的高密度人流量定位与监测方法，所述步骤五中的对热力图中亮斑进行计数和定位包括：采用非极大值抑制对热力图Heat中的亮斑进行计数和定位。

5.如权利要求1或3所述的基于场的高密度人流量定位与监测方法，所述步骤五中的对热力图中亮斑进行计数和定位包括：对热力图Heat进行二值化处理；

对二值化处理得到的连通域进行包围框检测得到感兴趣区域ROI，采用下式抑制能量过强的亮斑：其中，Hc(ROIn(i,j))表示感兴趣区域ROIn位置(i，j)处经过能量抑制的像素值；Heat(ROIn(i,j))为热力图Heat感兴趣区域ROIn位置(i，j)处的像素值；

基于分水岭算法，对能量抑制结果进行图像分割，并对图像分割结果进行连通域计数，得到人流量估计结果；

对每个连通域使用softargmax进行位置回归，得到人的精确位置，实现人流量定位。