1.一种基于语义细化的空间金字塔人群计数方法，其特征在于，包括以下步骤：步骤1：获取人群图像数据集，并分为训练集和测试集，将训练集进行裁剪得到输入图像，输入图像进入基于VGG-16的骨干网络提取基础特征；

步骤2：设计空间金字塔多尺度模块SPMM，SPMM拥有多个具有不同的感受野的平行分支，这些拥有不同感受野的平行分支组成了空间金字塔结构，在步骤1的基础特征上捕获人群图像中的多尺度特征；

步骤3：设计语义增强模块SEM，SEM将骨干网络提取出来的基础特征与SPMM提取出来的多尺度特征进行像素级别的相减操作，之后再经过降维和激活函数后，得到丢失细节信息的权重图，再把权重图与对应的多尺度特征进行相乘，得到增强特征；

步骤4：利用步骤1骨干网络在浅层提取的纹理特征对步骤3得到的增强特征的细节信息进行补偿，用于丰富特征图的细节信息；

步骤5：将步骤4得到的特征图输入由一系列空洞卷积组成的解码结构，从而生成最终的密度图，将密度图进行积分操作，就能得到网络预测的个体数；

所述步骤1：获取人群图像数据集，并分为训练集和测试集，将训练集进行裁剪得到输入图像，输入图像输入卷积神经层提取特征，具体包含以下步骤：A1：从数据集中的训练集中将人群图像，裁剪为576×768尺寸大小的输入图像I；

A2：将图像I输入到由VGG-16的前13层构成的骨干网络中提取特征，从第7层提取的特征FF

其中f

所述步骤2设计SPMM，SPMM拥有多个具有不同的感受野的平行分支，这些拥有不同感受野的平行分支组成了空间金字塔结构，在步骤A2的基础特征上捕获人群图像中的多尺度特征，具体包含以下步骤：B1：根据步骤A2，将基础特征F

B2：拥有四个分支的SPMM能够利用不同分支拥有的不同尺寸的感受野来捕获多尺度特征，以F

2.根据权利要求1所述的一种基于语义细化的空间金字塔人群计数方法，其特征在于，所述步骤3设计SEM，SEM将骨干网络提取出来的基础特征与SPMM提取出来的多尺度特征进行像素级别的相减操作，之后再经过降维和激活函数后，得到丢失细节信息的权重图，再把权重图与对应的多尺度特征进行相乘，得到增强特征，具体包含以下步骤：C1：将在A2步骤中提取到基础特征F

C2：接着，让C1步骤中得到的降维之后的基础特征F

C3：然后，利用1×1的卷积层对C2步骤中提取到的对比特征进行降维；

C4：接着，把C3步骤中提取到的降维之后的对比特征输入到Sigmoid激活函数，得到一个丢失细节信息的权重图M其中

C5：最后，将C4得到的权重图M

其中，*表示逐像素相乘，[.|.]表示的是像素方向的融合操作。

3.根据权利要求2所述的一种基于语义细化的空间金字塔人群计数方法，其特征在于，所述步骤4：利用骨干网络在浅层提取的纹理特征对增强特征FD1：将C5步骤提取到的增强特征F

D2：将D1中上采样之后的增强特征F

4.根据权利要求3所述的一种基于语义细化的空间金字塔人群计数方法，其特征在于，所述步骤5将D2得到的特征图输入由一系列空洞卷积组成的解码结构，从而生成最终的密度图，将密度图进行积分操作，就能得到网络预测的个体数，具体包括：E1：将D2步骤中融合浅层和深层的特征输入一系列由空洞卷积组成的解码器，能够得到最终的密度图；

E2：具体来说，解码器由六层空洞卷积和一层1×1卷积组成，其中空洞卷积结构都是卷积核3×3且空洞率为2，不同的是通道数不断变小，依次是512、512、512、256、128、64，最后的通道数为64的特征图经过1×1的卷积层降维到1，就得到了最终的密度图；

E3：为了得到网络对密集人群图像预测的人数，只需要把密度图进行积分操作即可。