1.一种基于点云带权通道特征的三维目标检测方法，其特征在于，所述检测方法包括：通过预训练的深度卷积神经网络对二维图像中的目标进行提取，得到多个目标物；

基于各目标物，在对应的三维点云空间中确定点云视锥；

基于点云的分割网络，对视锥中的点云进行分割，获得感兴趣的点云；

基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数，进行三维目标检测；所述3D Box的参数包括中心、尺寸、角度及角点；

“基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数”具体包括：

基于带权通道特征的网络，计算3D Box的中心损失、尺寸分类损失、残差尺寸回归损失、角度的分类损失、残差角度的回归损失及角点损失；

根据视锥中点云分割产生的分割损失、3D Box的中心损失、尺寸分类损失、残差尺寸回归损失、角度的分类损失、残差角度的回归损失及角点损失，计算总的损失函数；

根据所述总的损失函数对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数；

所述总的损失函数为：

L＝Lseg+λ(Lcenter+Lsize‑reg+Lsize‑cls+Langle‑reg+Langle‑cls)+γLcornerLcenter＝Hingleδ＝2.0(x)Lsize‑reg＝Hingleδ＝1.0(x)其中，L表示总的损失函数，Lseg表示分割损失，Lcenter、Lsize‑cls、Lsize‑reg、Langle‑cls、Langle‑reg分别表示3D Box的中心损失、尺寸分类损失、残差尺寸回归损失、角度的分类损失、残差角度的回归损失，Lcorner表示3D Box的角点损失，λ表示3D Box的中心，角度以及尺寸损失权重，γ表示的是角点损失的权重，Hingle表示Hingle损失函数。

2.根据权利要求1所述的基于点云带权通道特征的三维目标检测方法，其特征在于，通过以下公式，得到多个目标物：

x,y,w,h＝Net(I)；

其中，I表示的是二维图像，Net表示的是深度卷积神经网络；每个目标物的位置可以用一个2D Box的中心点坐标(x,y)，长h，宽w表示。

3.根据权利要求1所述的基于点云带权通道特征的三维目标检测方法，其特征在于，所述基于各目标物，在对应的三维点云空间中确定点云视锥，具体包括：将在Lidar传感器坐标系上的点xvel转换为摄像机的坐标系上的点xcam：其中， 是坐标系的变换矩阵；

将摄像机的坐标系上的点xcam投影到二维图像上的像素点ximg：ximg＝Pxcam；

其中，P表示相机坐标系到二维图像坐标系的投影矩阵；

根据各目标物，确定所有投影到目标物上点云，所有投影到目标物上点云为所述点云视锥。

4.根据权利要求1所述的基于点云带权通道特征的三维目标检测方法，其特征在于，所述基于点云的分割网络，对视锥中的点云进行分割，获得感兴趣的点云，具体包括：基于点云的分割网络，计算视锥中的点云属于感兴趣点的概率：pi＝f(xi,θ)；

其中，xi表示视锥中的第i个点云，θ表示的是网络训练的参数，pi表示第i个点云xi属于感兴趣点的概率，f表示基于点云分割的网络；

根据各点云属于感兴趣点的概率与设定的概率阈值，确定获得感兴趣的点云。

5.根据权利要求4所述的基于点云带权通道特征的三维目标检测方法，其特征在于，所述根据各点云属于感兴趣点的概率与设定的概率阈值，确定获得感兴趣的点云，具体包括：如果点云属于感兴趣点的概率大于0.5，则判断为该点云感兴趣的点云，否则为非感兴趣点：

其中，Maski表示的是第i个点云的掩码，其取值为1或者0。

6.根据权利要求4所述的基于点云带权通道特征的三维目标检测方法，其特征在于，所述分割损失的获取方法为：

交叉熵损失函数：

*

其中，y,y分别代表的是真实类别以及预测的结果；

分割损失：

*

Lseg＝Entropy_Loss(y,y)。

7.根据权利要求6所述的基于点云带权通道特征的三维目标检测方法，其特征在于，分别根据以下公式，分别计算3D Box的尺寸分类损失、角度的分类损失、残差角度的回归损失、角点损失：

(1)3D Box的尺寸分类损失：*

Lsize‑cls＝Entropy_Loss(y,y)；

(2)3D Box的角度的分类损失：*

Langle‑cls＝Entropy_Loss(y,y)；

(3)3D Box的残差角度的回归损失：(4)角点损失：

其中，S表示的是3D Box尺寸模板的数目，m＝1,2,…S，H表示的是3D Box方向角模板的数目，n＝1,2,…,H， 表示的是第k个角点中的第i个尺寸模板第j个方向角模板的真实坐标， 是预测出的第k个角点坐标， 是对3D Box绕着竖直方向旋转了180度后的角点坐标；δij表示的是第i个尺寸第j个方向模板的真实标签，i、j表示下标。

8.一种基于点云带权通道特征的三维目标检测系统，其特征在于，所述检测系统包括：提取单元，用于通过预训练的深度卷积神经网络对二维图像中的目标进行提取，得到多个目标物；

确定单元，用于基于各目标物，在对应的三维点云空间中确定点云视锥；

分割单元，用于基于点云的分割网络，对视锥中的点云进行分割，获得感兴趣的点云；

估计单元，用于基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数，进行三维目标检测；所述3D Box的参数包括中心、尺寸、角度及角点；

“基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数”具体包括：

基于带权通道特征的网络，计算3D Box的中心损失、尺寸分类损失、残差尺寸回归损失、角度的分类损失、残差角度的回归损失及角点损失；

根据视锥中点云分割产生的分割损失、3D Box的中心损失、尺寸分类损失、残差尺寸回归损失、角度的分类损失、残差角度的回归损失及角点损失，计算总的损失函数；

根据所述总的损失函数对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数；

所述总的损失函数为：

L＝Lseg+λ(Lcenter+Lsize‑reg+Lsize‑cls+Langle‑reg+Langle‑cls)+γLcornerLcenter＝Hingleδ＝2.0(x)Lsize‑reg＝Hingleδ＝1.0(x)其中，L表示总的损失函数，Lseg表示分割损失，Lcenter、Lsize‑cls、Lsize‑reg、Langle‑cls、Langle‑reg分别表示3D Box的中心损失、尺寸分类损失、残差尺寸回归损失、角度的分类损失、残差角度的回归损失，Lcorner表示3D Box的角点损失，λ表示3D Box的中心，角度以及尺寸损失权重，γ表示的是角点损失的权重，Hingle表示Hingle损失函数。