随着当今技术的迅速发展和理论的不断深入,智能化图像处理与分析已经成为一个非常重要且活跃的研究领域。智能图像分析主要是研究图像和视频中特定的目标对象的分类,检测和语义分割。目标计数也是图像分析中的一项重要研究内容,低密度图像目标计数通常可以通过目标检测算法实现,高密度目标计数其计数精度仍然有限,虽然近年来深度学习在高密度图像计数领域获得了广泛的关注,但深度学习对硬件平台要求较高,如何在较低性能的计算平台中实现一种具有更高的精准度和更好的鲁棒性的高密度计数算法仍然具有很强的实践价值,本文主要研究内容总结如下:1.通过2D高斯核函数,构建密度函数模型来对真实密度进行估计。在高密计数数据集上,根据标定数据中每个训练样本中的像素点定义一个真实密度函数。通过在每个像素点中提取图像的特征向量,并利用高斯模板卷积与高斯函数对真实密度进行建模,进一步使用L2正则化控制参数范围,从而获得最优密度参数模型,最终得到密度估计的积分值,并根据密度估计的积分值计算出相对准确的目标对象数量。2.基于构建的密度函数参数模型,本文使用了三种不同类型数据集进行实验,并使用两个评估标准以验证提出的模型在不同高密度场景下目标计数的准确性和鲁棒性。实验结果证明,相比较于传统的回归计数方法,本文提出的方法计数的准确率更高,具有更大的优势与效率。而相对于基于深度学习的计数方法,本文提出的模型需要的硬件要求更低,计算时间更少,更适用于嵌入式等性能较低的计算平台。