1.一种基于深度网络的交通体量估计方法，其特征在于，包括：

获取交通视频，并生成时空图；所述交通视频中交通流断面上的信息从图像序列顺序的传递过来，视频中的信息变化会反映在相应序列图的断面上，信息按时间顺序排列，断面上的像素最终生成时空图像；

将时空图输入训练好的交通流体量估计深度网络，得到密度图；

采用基于密度图的后处理算法定位交通流中车辆的时空位置，并得到总计数结果；所述基于密度图的后处理算法包括依次进行的面积阈值筛选、删除小面积区域和基于峰值的区域选取；所述总计数结果的计算方法为：基于所述时空位置，统计每一个时空图中的车辆数目；对截止时刻内，所有时空图中的车辆数目进行求和，得到总计数结果；

基于总计数结果，计算交通体量估计值；所述交通流体量估计值为总计数结果与转换率的乘积除以总时长。

2.如权利要求1所述的一种基于深度网络的交通体量估计方法，其特征在于，所述交通流体量估计深度网络在训练时，损失函数为密度图真值和估计值之间的损失，并使用Adam优化器。

3.如权利要求1所述的一种基于深度网络的交通体量估计方法，其特征在于，所述交通流体量估计深度网络包含七层卷积层：第一卷积层有多个9×9过滤器，在第一卷积层后使用一个Max池化层；第二卷积层有多个7×7过滤器，在第二卷积层后使用了一个Max池化层；

第三卷积层和第四卷积层均有多个5×5滤波器；第五卷积层和第六卷积层均有多个3×3滤波器；第七卷积层由1×1过滤器组成。

4.一种基于深度网络的交通体量估计系统，其特征在于，包括：

时空图生成模块，其被配置为：获取交通视频，并生成时空图；所述交通视频中交通流断面上的信息从图像序列顺序的传递过来，视频中的信息变化会反映在相应序列图的断面上，信息按时间顺序排列，断面上的像素最终生成时空图像；

密度图生成模块，其被配置为：将时空图输入训练好的交通流体量估计深度网络，得到密度图；

计数模块，其被配置为：采用基于密度图的后处理算法定位交通流中车辆的时空位置，并得到总计数结果；所述基于密度图的后处理算法包括依次进行的面积阈值筛选、删除小面积区域和基于峰值的区域选取；所述总计数结果的计算方法为：基于所述时空位置，统计每一个时空图中的车辆数目；对截止时刻内，所有时空图中的车辆数目进行求和，得到总计数结果；

交通体量估计模块，其被配置为：基于总计数结果，计算交通体量估计值；所述交通流体量估计值为总计数结果与转换率的乘积除以总时长。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任一项所述的一种基于深度网络的交通体量估计方法中的步骤。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑3中任一项所述的一种基于深度网络的交通体量估计方法中的步骤。