1.基于多分支扩张卷积神经网络的人群计数方法，其特征在于，包括：获取包含人群的场景图像并据此分别生成人群密度图标签和人头位置二值图标签；

根据训练样本，构建训练集；其中，每幅图像及其所对应的人群密度图标签和人头位置二值图标签作为一个训练样本；

基于训练集，训练多分支扩张卷积人群计数网络模型，得到网络最优参数，以此生成训练好的多分支扩张卷积人群计数网络模型；

将待测图像输入训练好的多分支扩张卷积人群计数网络模型，输出人群密度图；

将人群密度图中像素值加和，得到人群计数结果；

所述多分支扩张卷积人群计数网络模型，包括：多分支卷积模块、特征融合模块、二值图估计模块和密度图估计模块；

所述多分支卷积模块包括：三个共享网络参数、具有不同扩张率的扩张卷积分支，用于对人群图像进行多尺度的特征提取；

所述二值图估计模块，用于采用交叉熵损失函数有监督地实现二值图的估计；

所述密度图估计模块，接收二值图估计模块的输出，并将此输出与特征融合模块所生成的特征图求哈达玛积，然后利用三层卷积操作，以交叉熵损失函数有监督地实现人群密度图的估计；

特征融合模块，用于将三个扩张卷积分支的特征进行特征融合，再对融合后的特征进行特征提取，生成特征图；特征融合后又将分为两路，分别输入到人头位置二值图生成模块和人群密度估计模块；其中，人头位置二值图生成模块基于融合后的特征进一步进行特征提取，以人头位置二值图标签为监督预测人头所在位置，人头位置二值图生成模块经有监督训练后所输出的人头位置二值图将与特征融合模块所得的特征求哈达玛积作为人群密度图估计模块的输入；

所述生成人头位置二值图标签为：

其中，B()为二值化函数，l表示图像中所有人头的位置集合，li表示第i个目标人头位置中心的坐标，δ()为脉冲函数，G()为高斯核，σi表示高斯和的方差。

2.根据权利要求1所述的基于多分支扩张卷积神经网络的人群计数方法，其特征在于，所述获取包含人群的场景图像并据此分别生成人群密度图标签和人头位置二值图标签，包括：获取包含人群的场景图像，标注每幅图像中人头的位置；

根据标注的人头位置，生成人群密度图标签；

根据人群密度图标签，利用二值化函数，生成人头位置二值图标签。

3.根据权利要求1所述的基于多分支扩张卷积神经网络的人群计数方法，其特征在于，所述根据训练样本，构建训练集，包括：对每个训练样本采用随机剪裁、镜像、旋转的方式进行数据扩充。

4.基于多分支扩张卷积神经网络的人群计数系统，其特征在于，包括：标签生成模块，其被配置为：获取包含人群的场景图像并据此分别生成人群密度图标签和人头位置二值图标签；

训练集构建模块，其被配置为：根据训练样本，构建训练集；其中，每幅图像及其所对应的人群密度图标签和人头位置二值图标签作为一个训练样本；

模型训练模块，其被配置为：基于训练集，训练多分支扩张卷积人群计数网络模型，得到网络最优参数，以此生成训练好的多分支扩张卷积人群计数网络模型；

人群计数应用模块，其被配置为：将待测图像输入训练好的多分支扩张卷积人群计数网络模型，输出人群密度图；

输出模块，其被配置为：将人群密度图中像素值加和，得到人群计数结果；

所述多分支扩张卷积人群计数网络模型，包括：多分支卷积模块、特征融合模块、二值图估计模块和密度图估计模块；

所述多分支卷积模块包括：三个共享网络参数、具有不同扩张率的扩张卷积分支，用于对人群图像进行多尺度的特征提取；

所述二值图估计模块，用于采用交叉熵损失函数有监督地实现二值图的估计；

所述密度图估计模块，接收二值图估计模块的输出，并将此输出与特征融合模块所生成的特征图求哈达玛积，然后利用三层卷积操作，以交叉熵损失函数有监督地实现人群密度图的估计；

特征融合模块，用于将三个扩张卷积分支的特征进行特征融合，再对融合后的特征进行特征提取，生成特征图；特征融合后又将分为两路，分别输入到人头位置二值图生成模块和人群密度估计模块；其中，人头位置二值图生成模块基于融合后的特征进一步进行特征提取，以人头位置二值图标签为监督预测人头所在位置，人头位置二值图生成模块经有监督训练后所输出的人头位置二值图将与特征融合模块所得的特征求哈达玛积作为人群密度图估计模块的输入；

所述生成人头位置二值图标签为：

其中，B()为二值化函数，l表示图像中所有人头的位置集合，li表示第i个目标人头位置中心的坐标，δ()为脉冲函数，G()为高斯核，σi表示高斯和的方差。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任一项所述的基于多分支扩张卷积神经网络的人群计数方法中的步骤。

6.一种计算机设备，包括存储器、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如权利要求1‑3中任一项所述的基于多分支扩张卷积神经网络的人群计数方法中的步骤。