在智能監控領域，實現人群計數具有重要價值，針對人群尺度不一、人群密度分布不均及遮擋等問題，提出一種多尺度多任務卷積神經網絡（MMCNN）進行人群計數的方法。首先提出一種新穎的自適應人形核生成密度圖描述人群信息，消除人群遮擋影響;其次通過構建多尺度卷積神經網絡解決人群尺度不一問題，以多任務學習機制同時估計密度圖及人群密度等級，解決人群分布不均問題;最后設計一種加權損失函數，提高人群計數準確率。在UCF_CC_50和World Expo‘10數據庫上進行了評估，驗證了自適應人形核的有效性。實驗結果表明：所提算法比Sindagi等的方法（SINDAGI V A，PATEL V M.CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting.Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance.Piscataway，NJ:IEEE，2017:1-6）在UCF_CC_50數據庫上平均絕對誤差（MAE）數值和均方誤差（MSE）數值分別降低約1.7和45;與Zhang等的方法（ZHANG Y，ZHOU D，CHEN S，et al.Single-image crowd counting via multi-column convolutional neural network.Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition.Washington，DC:IEEE Computer Society，2016:589-597）相比，在World Expo’10數據庫上所提算法的MAE值降低約1.5，且在真實公共汽車數據庫上僅0～3人的計數誤差，表明其實用性較強。
?