1.一种跨线计数方法，其特征在于，包括：
向深度神经网络输入需要进行跨线计数的视频中与待分析时间段T对应的多个原始帧图像，由所述深度神经网络输出所述多个原始帧图像的人群计数图；所述人群计数图中包括帧图像中各位置的计数向量，所述计数向量用于表示所述多个原始帧图像中各帧图像与相邻的前帧图像之间在计数方向通过的人数；
分别以所述多个原始帧图像中的各帧图像作为当前帧图像，针对视频中要进行跨线计数的感兴趣线LOI，根据当前帧图像的人群计数图，获取当前帧图像从至少一个方向通过所述LOI的人数；
分别累积所述至少一个方向上所述多个原始帧图像通过所述LOI的人数，获得所述待分析时间段T内，所述LOI分别在所述至少一个方向上的单向跨线人数。
2.根据权利要求1所述的方法，其特征在于，所述计数方向包括二维坐标平面的两个坐标方向。
3.根据权利要求1或2所述的方法，其特征在于，所述获取当前帧图像分别从至少一个方向通过所述LOI的人数包括：获取当前帧图像分别从两个方向通过所述LOI的人数；
所述分别累积所述至少一个方向上所述多个原始帧图像通过所述LOI的人数，获得所述待分析时间段T内，所述LOI分别在所述至少一个方向上的单向跨线人数包括:
分别累积所述两个方向上所述多个原始帧图像通过所述LOI的人数，获得所述待分析时间段T内，所述LOI分别在所述两个方向上的单向跨线人数。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述向深度神经网络输入需要进行跨线计数的视频中与待分析时间段T对应的多个原始帧图像之后，还包括：
所述深度神经网络依次从所述视频中与待分析时间段T对应的多个原始帧图像中，顺序抽取至少两帧图像，以所述至少两帧图像中的后帧图像作为当前帧图像，生成当前帧图像的人群计数图。
5.一种深度神经网络训练方法，其特征在于，还包括：
将样本视频的多个原始帧图像输入至初始深度神经网络，以所述多个原始帧图像预先标注的人群计数图作为监督信号，对所述初始深度神经网络进行迭代训练直至训练结果满足预设条件，获得最终的所述深度神经网络；所述初始深度神经网络包括初始卷积神经网络和初始元素相乘网络。
6.一种基于如权利要求5所述的深度神经网络训练方法训练得到的神经网络进行视频中人群跨线计数的方法。
7.一种跨线计数装置，其特征在于，包括：
第一获取单元，作为深度神经网络，用于接收需要进行跨线计数的视频中与待分析时间段T对应的多个原始帧图像，输出所述原始帧图像的人群计数图；所述人群计数图中包括帧图像中各位置的计数向量，所述计数向量用于表示所述多个原始帧图像中各帧图像与相邻的前帧图像之间在计数方向通过的人数；
第二获取单元，用于分别以所述多个原始帧图像中的各帧图像作为当前帧图像，针对视频中要进行跨线计数的感兴趣线LOI，根据当前帧图像的人群计数图，获取当前帧图像从至少一个方向通过所述LOI的人数；第三获取单元，用于分别累积所述至少一个方向上所述多个原始帧图像通过所述LOI的人数，获得所述待分析时间段T内，所述LOI分别在所述至少一个方向上的单向跨线人数。
8.一种深度神经网络训练装置，其特征在于，还包括：
网络训练单元，用于将样本视频的多个原始帧图像输入至初始深度神经网络，以所述多个原始帧图像预先标注的人群计数图作为监督信号，对所述初始深度神经网络进行迭代训练直至训练结果满足预设条件，获得最终的所述深度神经网络；所述初始深度神经网络包括初始卷积神经网络CNN和初始元素相乘网络。
9.一种数据处理装置，其特征在于，包括：权利要求7所述的跨线计数装置；或者权利要求8所述的跨线计数装置。
10.一种电子设备，其特征在于，设置有权利要求9所述的数据处理装置。