基于卷积神经网络（CNN）获得回归密度图的方法已成为人群计数与定位的主流方法，但现有方法仍存在两个问题：首先传统方法获得的密度图在人群密集区域存在粘连和重叠问题，导致网络最终人群计数和定位错误；其次，常规卷积由于其权重不变，无法实现对图像特征的自适应提取，难以处理复杂背景和人群密度分布不均匀的图像。为解决上述问题，提出一种基于像素距离图（PDMap）和四维动态卷积网络（FDDCNet）的密集人群计数与定位方法。首先定义了一种新的PDMap，利用像素级标注点之间的空间距离关系，通过取反操作提高人头中心点周围像素的平滑度，避免人群密集区域的粘连重叠；其次，设计了一种FDDC模块，自适应地改变卷积四个维度的权重，提取不同视图提供的先验知识，应对复杂场景和分布不均匀导致的计数与定位困难，提高网络模型的泛化能力和鲁棒性；最后，采用阈值过滤局部不确定预测值，进一步提高计数与定位的准确性。在NWPU-Crowd数据集的测试集上：在人群计数方面，所提方法的平均绝对误差（MAE）和均方误差（MSE）分别为82.4和334.7，比MFP-Net（Multi-scale Feature Pyramid Network）分别降低了8.7%和26.9%；在人群定位方面，所提方法的综合评价指标F1值和精确率分别为71.2%和73.6%，比TopoCount（Topological Count）方法分别提升了3.0%和5.9%。实验结果表明，所提方法能够处理复杂背景的密集人群图像，取得了更高的计数准确率和定位精准度。
