1.一种标签图生成方法，其特征在于，所述方法包括以下步骤：步骤S1、制作数据集；先采集实际场景中包括不同环境下的人群图像数据，再对数据进行标注；

步骤S2、生成标签图；根据标注好的数据生成标签图，标签图的生成方式如下：其中，B为标注点坐标集合，(x′，y′)为标记点在标签图中的像素坐标，其中x′表示标记点在标签图中横坐标，y′表示标记点在标签图中纵坐标；(x，y)表示图像中任意一点的像素坐标，其中x为图像中任意一点的横坐标，y为图像中任意一点的纵坐标，P(x，y)表示的是图中坐标(x，y)处到与之相距最近的标记点的距离，I(x，y)即为FIDT图中坐标(x，y)处对应点值，I′(x，y)表示本发明所提标签图坐标(x，y)处对应点的值，count表示图片中的真实人数，m、n分别表示图片的宽高，I(xi，yi)表示FIDT图中第i个点的值，(xi，yi)表示FIDT图中第i个点的坐标，其中，xi和yi分别表示FIDT图中第i个点的横纵坐标。

2.根据权利要求1所述的一种基于编解码结构的人群计数定位方法，其特征在于，所述S1中对数据进行标注时，采用头部中心进行标记。

3.一种基于编解码结构的人群计数定位方法，其特征在于，所述方法包括以下步骤：步骤1：构建网络模型，以ResNet50作为编码部分的特征提取网络，在编码结束时融入多尺度特征融合模块，在解码部分采用上采样加卷积的方式进行解码，并通过空间‑通道注意力上采样模块进行高低层特征的融合；

步骤2：利用步骤S1采集的数据、同步骤S2生成的标签进行训练，损失函数设计为欧式距离损失和平均绝对误差相结合的方式，如下所示：其中，L(θ)表示损失函数，Fi为第i幅标签图，Fi(xi，θ)为对应预测图，θ为学习参数，N为图片数量；

步骤3：进行计数定位测试，将图片送入训练好的模型中，若只需计数，将预测图进行积分求和即可，若还需定位，则利用LMDS算法对预测图进行进一步处理，得到定位信息及框图。

4.根据权利要求3所述的一种基于编解码结构的人群计数定位方法，其特征在于，所述步骤1中的特征提取网络，具体由Resnet50的7x7卷积、最大池化层及前三个残差模块构成，其中对将7x7卷积的步长调整为1，其余部分保持同原始的ResNet50不变，第一个残差模块不会压缩图像尺度，后两个残差模块都会将特征图尺度压缩到相应输入的一半，最终将图片尺度压缩为原图的1/8。

5.根据权利要求3或4所述的一种基于编解码结构的人群计数定位方法，其特征在于，所述多尺度特征融合模块包含四个分支，分别由膨胀率为1，2，3，6的四组空洞卷积构成，不同的分支负责捕获不同尺寸的特征，最后按通道进行拼接，通过1x1卷积，进一步融合特征并压缩通道维度。

6.根据权利要求5所述的一种基于编解码结构的人群计数定位方法，其特征在于，特征融合方式如下式：

其中，Fin和Fout分别表示输入特征和输出特征； 表示卷积核大小为k，膨胀率为i为的卷积运算，其中这里的i取值分别为1，2，3，6，分别对应四组膨胀卷积；concat表示特征拼接操作。

7.根据权利要求3或4所述的一种基于编解码结构的人群计数定位方法，其特征在于，所述空间‑通道注意力上采样模块分为空间注意力模块和通道注意力模块，置于解码部分进行使用，且输入包含两个部分：高层特征和浅层特征，其中高层特征满足一次2倍上采样后的尺寸同低层特征相同。

8.根据权利要求7所述的一种基于编解码结构的人群计数定位方法，其特征在于，所述通道注意力模块生成如下：

FC＝σ(W1(M(FH)))

其中，FC表示通道注意力权重，W1表示卷积核大小为1的卷积运算，M表示全局最大池化，FH表示高层特征，σ表示Sigmoid激活函数；

空间注意力模块生成如下：

其中，FS和FL分别表示空间注意力权重和浅层特征， 表示按像素求和；

得到上述权重后进行特征融合，如下式：concat表示拼接操作，U表示上采样，Fout表示融合后的输出特征， 表示相乘操作。

9.根据权利要求3所述的一种基于编解码结构的人群计数定位方法，其特征在于，，所述LMDS算法先对预测图进行3x3，步长为1的最大池化，将小于最大值0.39倍的值置为零，再同原始预测图进行对比，所处位置的值未改变的即为峰值点，其坐标即为定位点坐标，也就是人头坐标，再根据下式计算出锚框大小，从而得到定位框图：式中，P为LMSD算法给出的定位点坐标集合，S(x，y)∈P表示坐标(x，y)处锚框的大小，取(x，y)旁距离最近的k个点， 表示第k个点到(x，y)的距离，f和k为超参数，可根据具体目标大小进行调整，这里取0.3和3，w和h分别表示图片的宽和高。