1.一种基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述的基于稀疏多尺度体素特征融合的三维目标检测方法，包括：将原始点云采用三种不同尺度的体素进行体素化，获得三种不同尺度的体素化三维模型；

分别对三种不同尺度的体素化三维模型进行注意力特征提取和平均特征提取，将注意力特征和平均特征进行联接操作融合为三维稀疏特征图；

将三种不同尺度的三维稀疏特征图进行多尺度特征融合并压缩至鸟瞰图，得到多尺度融合的伪图像特征图；

采用训练好的由浅至深回归网络对所述多尺度融合的伪图像特征图进行多重聚合，输出目标检测结果。

2.根据权利要求1所述的基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述注意力特征提取包括：提取感知注意力特征和通道注意力特征，将感知注意力特征和通道注意力特征通过乘法操作融合在一起，并经过激活函数输出注意力特征；

其中，所述感知注意力特征提取包括：在横向结构上对体素化三维模型的体素进行最大池化操作，最大池化操作后接着两个全连接层，输出感知注意力特征；

所述通道注意力特征提取包括：在纵向结构上对体素化三维模型的体素进行最大池化操作，最大池化操作后接着两个全连接层，输出通道注意力特征。

3.根据权利要求1所述的基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述将注意力特征和平均特征进行联接操作融合为三维稀疏特征图，包括：将所述注意力特征与体素进行乘法操作，然后与平均特征进行联接操作，输出三维稀疏特征图。

4.根据权利要求1所述的基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述三种不同尺度的三维稀疏特征图分别为第一特征图、第二特征图和第三特征图，所述将三种不同尺度的三维稀疏特征图进行多尺度特征融合并压缩至鸟瞰图，得到多尺度融合的伪图像特征图包括：

将第一特征图做2倍下采样操作，与第二特征图联结，得到2倍下采样的融合特征；

对所述2倍下采样的融合特征再做2倍下采样操作，与第三特征图联结，得到4倍下采样的融合特征；

将4倍下采样的融合特征做一次2倍下采样操作，得到8倍下采样的融合特征，再通过一次下采样操作得到16倍下采样的融合特征；

对所述16倍下采样的融合特征进行稀疏上采样和优化操作，生成新的8倍下采样特征，将所述新的8倍下采样特征与所述8倍下采样的融合特征联结，得到最终的8倍下采样的融合特征；

将所述最终的8倍下采样的融合特征压缩至鸟瞰图，得到伪图像特征图。

5.根据权利要求1所述的基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述由浅至深回归网络包括浅层回归和深度回归。

6.根据权利要求5所述的基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述由浅至深回归网络采用焦点损失函数来构建浅层回归损失函数和深度回归损失函数，采用所述的浅层回归损失函数和深度回归损失函数来构建由浅至深回归网络的整体损失函数。

7.根据权利要求6所述的基于稀疏多尺度体素特征融合的三维目标检测方法，其特征在于，所述的焦点损失函数为：a

其中p代表了锚点的类概率，αa是一个0‑1之间的固定权重值，γ是一个大于0的固定权重值。

所述的浅层回归损失函数和深层回归损失函数为：其中上标S和D表示浅层回归和深层回归，smoothL1损失函数 用于三维包围框回归， 和Δres代表预测残差和回归地面真值，δ和β分别代表损失权重，Npos代表正样本的数量；

所述的整体损失函数为：

其中加权参数λ用于确定浅层回归和深层回归的相对重要性。