1.一种基于分形维监督学习的地基LiDAR枝叶点云分离方法，其特征在于，包括以下步骤：S1，根据盒维方法计算分形维特征向量；

S2，计算天顶角和天顶角变化量这两个特征向量；

S3，计算点分布特征向量，通过计算圆柱体内的点数将树干与叶片进行分离；

联合S1、S2、S3步骤中计算的四个特征向量采用随机森林进行监督学习，以实现枝叶分离；

其中，步骤S1中，采用下式分形维特征向量：log(N)＝‑Dim×log(ε)+b式中，Dim为分形维数，ε为立方体的边长，N是用此小立方体覆盖被测形体所得的数目，b是常数；

步骤S1具体包括：

S11，对原始点云建立kd树；

r

S12，遍历每个点，获取该点半径r内的邻近点集Set{pi}；

S13，用一系列不同长度的立方体边长ε＝{0.1，0.2，…，r}对该邻近点集进行体素化，并计算相应的被占用立方体数N；

S14，使用最小二乘拟合方法，计算分形维数，并重复步骤S12和S13，直到所有点云都被遍历完为止；

步骤S2中，采用下式计算天顶角：

式中，V1是天顶方向单位向量，V2是法向量，θ是天顶角；

天顶角变化量std(θ)采用下式计算：式中，是天顶角变化的平均值，n是相邻点的数量。

2.根据权利要求1所述的基于分形维监督学习的地基LiDAR枝叶点云分离方法，其特征在于，步骤S3中，圆柱体内的点云数目用局部点密度Density(q)来表示。

3.根据权利要求2所述的基于分形维监督学习的地基LiDAR枝叶点云分离方法，其特征在于，圆柱方向设置为通过对相邻点应用主成分分析方法计算出的法线向量的垂直方向。

4.根据权利要求3所述的基于分形维监督学习的地基LiDAR枝叶点云分离方法，其特征在于，局部点密度Density(q)采用下式计算：式中，dis(·)表示圆柱体，Num[·]为圆柱体内的点数，β是圆柱体中心轴的方向。

5.根据权利要求3所述的基于分形维监督学习的地基LiDAR枝叶点云分离方法，其特征在于，圆柱体的中轴线方向能够根据局部点云自适应变化。

6.根据权利要求5所述的基于分形维监督学习的地基LiDAR枝叶点云分离方法，其特征在于，将圆柱的中轴线方向设置为点云局部法向量的垂直方向。