1.一种基于多尺度自适应上下文网络的人群计数方法，其特征在于，包括如下步骤：采用经过预训练的VGG‑16网络对人群图像进行初级特征信息提取，获得初级特征图像；

采用多个并行排列的自适应卷积网络对初级特征图像进行多尺度上下文信息提取；其中，每个自适应卷积网络用于提取特定尺度上的上下文信息；

所述每个自适应卷积网络包括一个降维分支和一个池化分支，降维分支对初级特征图像进行降维；池化分支对初级特征图像进行自适应池化；根据对应尺度上自适应卷积网络内卷积核的内核大小，对初级特征图像进行自适应池化，进行卷积降维后，对降维分支和池化分支进行深度分离卷积操作，得到该尺度上的上下文信息；

根据对应尺度上的上下文信息获取人群图像最终的上下文信息；在提取到的每个尺度上的上下文信息后，将该尺度上的上下文信息与提取到的初级特征信息进行做差，得到该尺度上的对比特征；

将对比特征作进行卷积，得到该尺度上的权重图；

使用多个尺度上的权重计算人群图像最终的上下文信息；

将最终的上下文信息进行解码回归得到最终的密度图；

对最终的密度图进行积分计算，得到人群图像上的人群总数。

2.根据权利要求1所述的基于多尺度自适应上下文网络的人群计数方法，其特征在于，由多个空洞卷积组成的解码器对最终上下文信息进行解码回归产生最终的密度图。

3.根据权利要求1所述的基于多尺度自适应上下文网络的人群计数方法，其特征在于，对最终得到的密度图进行积分，得到最终人群图像上的人群总数包括：其中，C表示人群总数，H表示密度图的高度，W表示密度图的宽度，pxy表示整幅密度图在坐标(x,y)处的像素值。

4.根据权利要求1所述的基于多尺度自适应上下文网络的人群计数方法，其特征在于，计算人群图像最终的上下文信息fF为：其中，fv表示初级特征信息，wi表示尺度i上的权重，s表示尺度的个数，fi表示尺度i上的上下文信息，[·|·]表示信道级连接操作，Θ表示权重和上下文信息之间的元素乘积操作。

5.一种基于多尺度自适应上下文网络的人群计数系统，其特征在于，包括：第一提取模块，用于采用经过预训练的VGG‑16网络对人群图像进行初级特征信息提取，获得初级特征图像；

第二提取模块，用于采用多个并行排列的自适应卷积网络对初级特征图像进行多尺度上下文信息提取；其中，每个自适应卷积网络用于提取特定尺度上的上下文信息；所述每个自适应卷积网络包括一个降维分支和一个池化分支，降维分支对初级特征图像进行降维；

池化分支对初级特征图像进行自适应池化；根据对应尺度上自适应卷积网络内卷积核的内核大小，对初级特征图像进行自适应池化，进行卷积降维后，对降维分支和池化分支进行深度分离卷积操作，得到该尺度上的上下文信息；

感知模块，用于根据对应尺度上的上下文信息获取人群图像最终的上下文信息；在提取到的每个尺度上的上下文信息后，将该尺度上的上下文信息与提取到的初级特征信息进行做差，得到该尺度上的对比特征；将对比特征作进行卷积，得到该尺度上的权重图；使用多个尺度上的权重计算人群图像最终的上下文信息；

解码模块，用于将最终的上下文信息进行解码回归得到最终的密度图；

计算模块，用于对最终的密度图进行积分计算，得到人群图像上的人群总数。

6.一种计算机设备，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1‑4任一项所述的方法。

7.一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1‑4任一项所述的方法。