1.一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，具体包括以下步骤：步骤1、以3D点云每一个点为中心，利用“Kd-tree”算法搜索邻近的100个点，并依据三维协方差矩阵对应的特征值和特征向量提取三维特征，形成一个17*17的特征矩阵Y；

步骤2、将点云分别投影到3个不同的坐标平面XOY,YOZ,XOZ，并利用“Kd-tree”算法搜索邻近的100个点对该三个平面提取2D特征，得到一个12*12的特征矩阵X；

步骤3、对二维特征矩阵X进行多维特征排列组合；

步骤4、再基于步骤3中的二维特征最优排列矩阵X＝[X(XOZ),X(YOZ),X(XOY)],对2D和3D特征进行多维特征加权组合得到29*29的特征矩阵Z(X,Y)；

步骤5、将步骤4所求得的特征矩阵Z输入到深度学习框架中去，经过CliqueNet网络处理之后计算出测试标签的可能值，再与真实标签值对比，得出每类的分类精度，CliqueNet运行得出结果。

2.根据权利要求1所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述“Kd-tree”算法的核心步骤分为两步：

1)树的建立：定义树的节点类型

树建立过程中最大的问题在于划分轴的选择，划分策略为最大离散维度策略，即计算每个维度上的数据方差，选择其中方差最大的那个维度，设有N个样本点，每个点的坐标为(xi,yi,zi),则模型建立过程公式如下：其中n′＝x，y，z

则dn为最终所求维度；

2)邻近搜索

设给定点为P(x,y,z),则离它最近的100个点Ph，h＝1,2,...100,的距离为：通过以上1)2)步骤完成“Kd-tree”算法搜索邻近点。

3.根据权利要求1所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述步骤1中具体为：设m为样本总数，三维样本矩阵为G’m*3:

每一维的样本均值：

三维样本中的每一列减去对应列均值：

三维协方差矩阵为：

通过对齐次线性方程组(covk′-λk′E)Gk′＝0，k’＝1，...，10；求解，可以求出三维协方差矩阵covk′，及对应的特征值λk′，特征向量Gk′，依据三维协方差矩阵，对应的特征值和特征向量提取17个三维特征：曲面变化率Cλ，线状Lλ，面状Pλ，簇状Sλ，三维局部点密度D，最近邻四面体体积Q，其中[Nx，Ny，Nz]T表示该点的最大分布方向，[Mx，My，Mz]T表示该点的最小分布方向，垂直度V，全方差Oλ，各向异性Aλ，特征熵Eλ，以及点的轨迹Tλ；

最终得出三维特征矩阵

Y＝[Lλ，Nx，Ny，Nz，Pλ，Sλ，Mx，My，Mz，Oλ，Aλ，Eλ，Tλ，Cλ，D，Q，V]。

4.根据权利要求3所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述步骤2具体为：分别提取4个二维特征：最优圆邻域半径rK、二维局部点密度D2、特征值的和S2、特征值的比率R(λ，2D)，即共可以提取12个二维特征，构成特征矩阵X＝[XB，XF，XW]，B，F，W均∈b，c，d，且B≠F≠W，其中b，c，d分别表示二维投影平面XOY，YOZ，XOZ；

(1)任一点云在XOY平面内的表示形式为：

(2)任一点云在YOZ平面内的表示形式为：

(3)任一点云在XOZ平面内的表示形式为：

5.根据权利要求4所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述步骤4具体为：将2D、3D特征以不同的权重组合，并以实验进行测试，最终以

3D:2D＝0.9:0.1的权重进行多维特征组合能够达到最优的分类性能，因此，得到多维特征最优组合矩阵Z：

6.根据权利要求1所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述步骤3具体为：设XOY＝b,YOZ＝c,XOZ＝d,则有[bcd,bdc,cbd,cdb,dbc,dcb]六种不同的排列，分别对这六种排列进行了实验测试，比较不同排列的分类精度，得到二维特征最优排列矩阵X＝[Xd,Xc,Xb]。

7.根据权利要求1所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述步骤5具体为：将步骤4所求得的特征矩阵Z输入到CliqueNet中经过64个7*

7，步长为2的卷积层，然后再经过3*3，步长为2的池化层；每个交叉卷积模块之间都采用传输层连接。