1.一种基于全局上下文卷积网络的人群计数方法，其特征是：包括以下步骤：获取待计数的人群图像；

提取人群图像的低级特征图和高级特征图；

对低级特征图和高级特征图进行尺度感知，得到增强的低级特征图和高级特征图；

对增强的低级特征图和高级特征图依次进行上下文建模和特征转换，提取全局上下文特征，并通过特征融合得到融入全局上下文信息的低级特征图和高级特征图；

根据融入全局上下文信息的低级特征图和高级特征图，确定密度图；

根据密度图进行人群计数。

2.如权利要求1所述的一种基于全局上下文卷积网络的人群计数方法，其特征是：所述对低级特征图和高级特征图进行尺度感知，得到增强的低级特征图和高级特征图的具体步骤包括：

对低级特征图和高级特征图均通过四个卷积操作来压缩通道，得到压缩后的特征图；

压缩后的低级特征图和高级特征图通过四个不同大小膨胀率的空洞卷积，提取多尺度特征图；

将提取的多尺度特征图按照通道拼接法进行拼接，得到增强的低级特征图和高级特征图。

3.如权利要求1所述的一种基于全局上下文卷积网络的人群计数方法，其特征是：所述上下文建模的具体步骤为：

将特征图与线性转换矩阵进行卷积操作，并通过softmax函数将注意力权值进行归一化，得到归一化的注意力权值；

对特征图进行reshape操作，并与归一化的注意力权值进行矩阵相乘，得到初始全局上下文特征。

4.如权利要求3所述的一种基于全局上下文卷积网络的人群计数方法，其特征是：所述特征转换的具体步骤包括：

首先将所述的初始全局上下文特征与线性转换矩阵进行卷积操作，然后依次进行LayerNorm和Relu操作，最后通过一个1×1卷积完成特征转换，得到全局上下文特征。

5.如权利要求1所述的一种基于全局上下文卷积网络的人群计数方法，其特征是：所述特征融合通过广播元素相加操作将全局上下文特征聚合到增强的低级特征图和高级特征图的每个位置上，使每个位置都可以获取全局上下文信息，得到融入全局上下文信息的低级特征图和高级特征图。

6.如权利要求1所述的一种基于全局上下文卷积网络的人群计数方法，其特征是：所述根据融入全局上下文信息的低级特征图和高级特征图，确定密度图的具体步骤为：对融入全局上下文信息的高级特征图进行上采样操作；

对经过上采样操作的高级特征图与融入全局上下文信息的低级特征图进行拼接操作和卷积操作，得到密度图。

7.如权利要求1的一种基于全局上下文卷积网络的人群计数方法，其特征是：所述根据密度图进行人群计数具体为：通过对密度图进行积分求和得出预测人数。

8.一种基于全局上下文卷积网络的人群计数系统，其特征是：包括：图像获取模块，用于获取待计数的人群图像；

特征提取模块，用于提取人群图像的低级特征图和高级特征图；

尺度感知模块，用于对低级特征图和高级特征图进行尺度感知，得到增强的低级特征图和高级特征图；

全局上下文模块，用于对增强的低级特征图和高级特征图依次进行上下文建模和特征转换，提取全局上下文特征，并通过特征融合得到融入全局上下文信息的低级特征图和高级特征图；

密度图确定模块，用于根据融入全局上下文信息的低级特征图和高级特征图，确定密度图；

人数计数模块，用于根据密度图进行人群计数。

9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1‑7中任一项所述的一种基于全局上下文卷积网络的人群计数方法。

10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1‑7中任一项所述的一种基于全局上下文卷积网络的人群计数方法。