1.一种基于自适应分类的人群计数方法，其特征在于，包括如下步骤：将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，所述待识别类别按照人群图像中人头之间的尺度差异分为第一类别和第二类别；其中，所述分类模型使用多组数据训练得到，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第一类别的标签；第二类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第二类别的标签；

根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。

2.根据权利要求1所述的基于自适应分类的人群计数方法，其特征在于：所述计数模型按照人群图像中人头之间的尺度差异分为第一类计数模型和第二类计数模型；所述第一类计数模型通过第一训练集训练得到，所述第一训练集包括：包括人群的照片以及表示将该照片通过第一类计数模型预测得到的人群密度与该照片中实际的人群密度的绝对差最小的标签；所述第二类计数模型通过第二训练集训练得到，所述第二训练集包括：包括人群的照片以及表示该照片通过第二类计数模型预测得到的人群密度与该照片中实际的人群密度的绝对差最小的标签。

3.根据权利要求2所述的基于自适应分类的人群计数方法，其特征在于，所述计数模型的训练包括：

将多幅人群图像进行扭曲化处理，并通过高斯卷积处理，得到对应的真实密度图；

将每一幅人群图像及对应的真实密度图划分为大小相等的4个图像块；

将所有的图像块依次分别输入第一空洞卷积网络和第二空洞卷积网络，分别得到对应的预测密度图，通过积分得到预测人数；

计算每个图像块分别在第一空洞卷积网络和第二空洞卷积网络上的预测人数与真实人数间的绝对误差，取绝对误差最小的网络作为该图像块的标签；待所有的图像块均被测试完之后，被分为了两组，每组中图像块都具有表示该图像块在对应的网络上绝对误差最小的标签；

将分好的两组训练图像集分别在其标签对应的空洞卷积网络上进行训练，拟合各自的数据集，预测各自对应尺度的图像中的人数。

4.根据权利要求3所述的基于自适应分类的人群计数方法，其特征在于，训练所述分类模型时，将两组训练集输入模型中的分类器进行训练，使分类器能够对输入的图像块进行分类，预测图像块所属的标签，将图像块传递到对应的空洞卷积网络。

5.根据权利要求4所述的基于自适应分类的人群计数方法，其特征在于，对人群图像进行扭曲化处理包括：距离镜头超过阈值的区域向外均匀拉伸，扩大人头的尺度；距离镜头小于阈值的区域向内收缩，缩小人头的尺度，生成相应的真实密度图。

6.根据权利要求3所述的基于自适应分类的人群计数方法，其特征在于，对计数模型中的第一空洞卷积网络和第二空洞卷积网络进行预训练，其损失函数定义为：其中，N为训练样本的数量，Ii为第i个输入图像块，w代表参数，F(Ii,w)表示估计的密度图，Gi表示真实密度图。

7.根据权利要求4所述的基于自适应分类的人群计数方法，其特征在于，所述分类模型的分类器在VGG19网络基础上，采用前16个卷积层，增加了一个全局平均池化层，再连接两个全连接层，最后连接一个softmax层。

8.一种基于自适应分类的人群计数系统，其特征在于，包括：采集模块，用于采集人群图像；

类别识别模块，用于将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，所述待识别类别按照人群图像中人头之间的尺度差异分为第一类别和第二类别；其中，

所述分类模型使用多组数据训练得到，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第一类别的标签；第二类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第二类别的标签；

计算模块，用于根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。

9.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，其特征在于：所述处理器调用所述程序指令执行如权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，其存储有计算机程序，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任一项所述的方法。