1.基于transformer和CNN的人群计数方法，其特征在于：包括如下步骤：

（1）获取训练样本，得到多场景的人群RGB图像，并对人群RGB图像进行预处理增强；

（2）将增强后人群RGB图像输入模型的主干网络进行计算，主干网络包括由四个阶段组成的金字塔transformer，增强后人群RGB图像依次经过主干网络的四个阶段，得到不同分辨率的全局特征图；其中，每一个阶段都包括一个重叠图像块嵌入层和一个编码器；

（3）将不同分辨率全局特征图上采样之后进行通道叠加，得到聚合特征图；

所述步骤（3）具体包括：

首先将步骤（2）中提取的四组不同分辨率全局特征图上采样到相同的分辨率，同时保持通道数不变，通过双线性插值的方法，将最后三个阶段的特征图上采样至第一阶段特征图的分辨率，即增强后人群RGB图像的1/4大小；

然后将四个阶段的特征图进行聚合，聚合方法为将四个阶段的所有特征图在通道维度进行叠加，总的通道数为四个阶段特征图通道数的总和，即64+128+320+512=1024，最后获得通道数为1024的聚合特征图；

（4）将聚合特征图输入多分支卷积神经网络，得到多尺度特征图，然后在通道维度相加，得到多尺度聚合特征图；

所述步骤（4）具体包括：

多分支卷积神经网络模块包括三个分支，每个分支包括一个卷积层，第一个分支卷积核大小为3×3，第二个分支卷积核大小为5×5，第三个分支卷积核大小为7×7；每一个分支的输出通道数都为256，并且每一个分支的卷积层后面都有一个批正则化层和一个ReLU激活函数层；

经过三个分支计算之后，得到三组分辨率和通道数都相同的多尺度特征图；然后将多尺度特征图在对应通道上进行逐像素相加，具体为每个对应通道上三张特征图对应位置像素进行相加，最后得到的多尺度聚合特征图通道数为256；

（5）将多尺度聚合特征图输入密度图回归层进行平滑降维并输出密度图；

（6）使用最优传输损失进行训练，最终进行预测。

2.根据权利要求1所述的基于transformer和CNN的人群计数方法，其特征在于：所述步骤（1）进行预处理增强前先获取人群RGB图像的标注数据，在每个人头位置进行像素点标注，像素点的数量代表了该场景中的总人数。

3.根据权利要求1所述的基于transformer和CNN的人群计数方法，其特征在于：所述步骤（1）的预处理增强具体包括随机水平或垂直翻转，并进行标准化，训练时将训练图像裁切为256×256图像块进行训练。

4.根据权利要求1所述的基于transformer和CNN的人群计数方法，其特征在于：所述步骤（2）具体包括：在重叠图像块嵌入层中，输入图像在一个卷积层中被分为相互重叠的图像块，然后进行卷积操作输出二维特征图，然后输出的二维特征图展开为一维向量并进行正则化，作为编码器输入；第一阶段中重叠图像块嵌入层的卷积层卷积核大小为7×7，步长为4；其余三阶段重叠图像块嵌入层中卷积层的卷积核大小为3×3，步长为2；四层卷积层输出维度依次为：64，128，320，512；通过控制卷积层步长输出金字塔型的不同分辨率特征图；

在编码器中，输入向量经过多个block进行自注意力计算，每个block包括一个自注意力计算层和一个前向传播层，每层都采用跳跃连接的方式进行连接；每个阶段中block个数依次为：3，8，27，3；每个阶段中多头自注意力层的头数分别为1，2，5，8；经过编码器计算之后的向量被重塑二维特征图，并作为下一阶段的输入；最终四个阶段输出四组分辨率不同的全局特征图，分辨率依次为输入的增强后人群RGB图像分辨率的1/4，1/8，1/16，1/32。

5.根据权利要求1所述的基于transformer和CNN的人群计数方法，其特征在于：所述步骤（5）具体包括：密度图回归层包括两层卷积层，第一层卷积层卷积核大小为3×3，步长为1，输出通道数为64，第二层卷积层的卷积核大小为1×1，步长为1，输出通道数为1，每层卷积层之后有一层批正则化层和ReLU激活函数，最终输出人群密度估计图和人群计数结果。

6.根据权利要求1所述的基于transformer和CNN的人群计数方法，其特征在于：所述步骤（6）具体包括：使用最优传输损失进行训练，对人群密度估计图和总人数进行回归，优化模型参数，然后将损失最小的模型参数保存；预测时则加载保存的最小损失模型参数，直接获取人群密度估计图和人群计数结果作为预测结果。