1.一种基于神经网络的人头检测方法，其特征在于，包括以下步骤：输入被测图像至深度残差网络提取得到特征响应图；输入所述特征响应图至空间注意力网络得到注意力图，所述注意力图用于增强所述特征响应图得到增强特征响应图；输入所述增强特征响应图至区域生成网络RPN得到候选框；根据所述候选框的特征得到人头检测结果；根据损失函数对之前的步骤进行训练，所述损失函数包括特征模拟损失函数；其中，所述特征模拟损失函数的计算步骤包括：输入所述候选框的特征以及特征响应图至另一区域生成网络RPN得到进一步分类候选框特征；将深层级联分类网络嵌入在分类网络中，对所述进一步分类候选框特征做重分类得到级联分类网络特征；计算所述级联分类网络特征与所述候选框的特征之间余弦距离；根据所述余弦距离以及级联分类损失函数得到特征模拟损失函数。
2.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述空间注意力网络结构具体为：所述特征响应图通过三个3×3的卷积层进行分层提取特征，所述每个3×3的卷积层带有256个内核；所述特征响应图通过一个带有256个内核的1×1卷积层保持初始的特征；连接所述分层提取的特征与所述初始的特征；最后，通过一个1×1的卷积层，所述1×1的卷积层的输入通道大小等于所述分类网络提取的特征的通道大小。
3.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述根据所述候选框的特征得到人头检测结果后，还包括：根据损失函数对之前步骤进行训练，所述损失函数包括特征模拟损失函数L m ，所述特征模拟损失函数L m 公式为：其中i表示候选框，u (i) 表示输入所述候选框i至深层级联分类网络后得到的分类特征，v (i) 表示输入所述候选框i至感兴趣区域池化得到的候选框特征，L cls (.)表示级联分类损失函数，Φ表示抽样的候选框，p表示候选框为人头的预测概率，p * 表示候选框的标签属性，p * ＝1时为正样本，p * ＝0时为正样本。
4.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述根据所述候选框的特征得到人头检测结果后，还包括：根据损失函数对之前步骤进行训练，所述损失函数包括分类网络检测损失函数以及空间注意力网络的交叉熵函数。
5.根据权利要求1或4任一项所述的基于神经网络的人头检测方法，其特征在于，所述损失函数L公式具体为：L＝L det +λ 1 L a +λ 2 L m ；其中，L a 表示空间注意力网络的交叉熵函数，L det 表示分类网络检测损失函数，L m 表示特征模拟损失函数，λ 1 和λ 2 表示损失权重平衡参数；交叉熵函数L a 的公式为：其中，x j 是注意力图中生成的像素， 表示x j 的标签，当 时，意味着x j 被包含在人的头部区域中，当 时，意味着x j 不被包含在人的头部区域中。
6.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述注意力图通过逐元素计算来激活输入特征响应。
7.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述输入所述特征响应图至空间注意力网络得到注意力图还包括：输入利用边界框生成训练样本至所述空间注意力网络，所述注意力图的尺寸与所述特征响应图的尺寸相同。
8.一种应用权利要求1-7任一项的人头检测方法的基于神经网络的人头检测系统，其特征在于，具体包括：分类网络模块：用于输入被测图像至深度残差网络提取得到特征响应图；空间注意力网络模块：用于输入所述特征响应图至空间注意力网络得到注意力图，所述注意力图用于增强所述特征响应图得到增强特征响应图；区域生成网络RPN模块：用于输入所述增强特征响应图至区域生成网络RPN得到候选框；人头检测模块：用于根据所述候选框的特征得到人头检测结果。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1-7中任一项所述的基于神经网络的人头检测方法。
