1.基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，包括以下步骤：

S1：将卫星视频进行抽帧处理，获得原始图像并对原始图像进行处理获得原始图像对应的真实标签图像；

S2：对原始图像进行分块操作获得子图，将子图以及原始图像分别送入具有相同结构的生成器生成特征图；

S3：分别将子图和原始图像的特征图以及真实标签图像送入生成对抗网络，获得由子图生成的特征图和由原始图像生成的特征图；

S4：计算由子图生成的特征图和由原始图像生成的特征图之间的距离，该距离最小时输出的特征图即为最优的车流量密度图；

S5：计算车流量密度图中高斯核的个数，高斯核的个数即为估计的车辆数目。

2.根据权利要求1所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，获得原始图像对应的真实标签图像包括：把卫星视频连续抽帧，获得原始图像，将原始图像中的车辆标记为点，对标记后的图像进行高斯核卷积，将图像中高斯核个数求和得到车辆热点图，将该车辆热点图作为原始图像对应的真实标签图像。

3.根据权利要求1所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，所述对原始图像进行分块操作获得子图包括：将原始图像分成四块有交叠部分的子图。

4.根据权利要求1所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，生成对抗网络包括生成器和鉴别器，将由原始图像生成的特征图送入鉴别器，若鉴别器根据生成的特征图与其原始图对应的真实标签图像的相似性判断生成的特征图像的真假，若判断为假则根据鉴别器和生成器的联合损失函数反馈给生成器，重新生成特征图，直到鉴别器不能判断真假；

同时，将由子图生成的特征图送入鉴别器网络，若鉴别器根据生成的特征图与其原始图对应的真实标签图像的相似性判断生成的特征图像的真假，若判断为假则根据鉴别器和生成器的联合损失函数反馈给生成器，重新生成特征图，直到鉴别器不能判断真假。

5.根据权利要求4所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，鉴别器包括5个卷积层和一个判别层，鉴别器表示为：C(48,4,2)-C(96,4,2)-C(192,4,2)-C(384,4,1)-C(1,4,1)-tanh；

其中，C(a,b,c)表示一个卷积层，a表示卷积层中卷积核个数，b表示卷积层中卷积核大小，c表示卷积层中卷积步长；判别层采用tanh函数使得最后的输出在-1.0到1.0之间，且大于零为真，小于零为假。

6.根据权利要求4所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，鉴别器和生成器的联合损失函数表示为：其中，LA(G,D)表示鉴别器D与生成器G的联合损失函数；

表示训练样本x与其对应的真实标签密度图y的真实分布Pdata(x,

y)与训练样本和真实标签密度图之间分布相同的概率D(x ,y)的交叉熵；

表示训练样本x的真实分布Pdata(x)与训练样本x和根据训练样

本生成的特征图G(x)之间分布不相同的概率1-D(x,G(x))的交叉熵；其中，D(x,G(x))训练样本x和根据训练样本生成的特征图G(x)之间分布相同的概率。

7.根据权利要求4所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，生成的特征图与真实标签图像的相似性表示为：其中，LE(G)为生成特征图与真实标签图像的相似性；PG(c)为生成图像的第c个像素；PGT(c)为真实标签密度图中的第c个像素； 表示二范数；C表示图像的颜色通道数。

8.根据权利要求1所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，步骤S4具体包括：将子图生成的特征密度图拼接成一张完整的图片，计算由子图生成的特征图与由原始图像生成的特征图之间的距离，根据该拼接的图片与原始图像的损失函数最小化该拼接的图片与原始图像的特征图之间的距离，根据该距离计算损失函数，并根据损失函数优化拼接的图片与原始图像的特征图，使得该拼接的图片与原始图像生成的特征密度图的差异性降到最小，获得车流量密度图。

9.根据权利要求8所述的基于生成对抗网络的卫星视频车辆数目估计方法，其特征在于，计算拼接的图片与原始图像的损失函数表示为：其中，LC(G)为拼接的图片与原始图像生成的损失函数；pprt(c)表示原始图像生成的特征密度图中的第c个像素，pcnt(c)表示子图拼接起来的特征密度图中的第c个像素；C表示颜色通道数； 表示二范数。