1.一种基于混合高斯排序的激光雷达点云目标分级识别方法，其特征在于，包括以下步骤：

步骤1、采集激光雷达点云数据并进行预处理；

步骤2、将预处理之后的激光雷达点云数据进行地面点云去除筛选出非地面点云；

步骤3、将非地面点进行非地面点云密度聚类；

步骤4、将聚类后的非地面点云数据按重要程度进行排序；

步骤5、将排序后的点云簇按重要程度依次进行识别；

步骤6、输出识别出的目标，包括目标类别、目标中心点位置、目标中心点速度、目标边界框中的一种或数种。

2.根据权利要求1所述的一种基于混合高斯排序的激光雷达点云目标分级识别方法，其特征在于：步骤1中预处理包括数据解析、无效点去除、感兴趣区域设定、空间体素滤波，预处理后的数据仅包括有效的、包含可用特征的点云数据。

3.根据权利要求1所述的一种基于混合高斯排序的激光雷达点云目标分级识别方法，其特征在于：步骤2中地面点云去除筛选出非地面点云处理步骤如下：步骤2.1、输入激光雷达点云数据；

步骤2.2、在所有点中抽取3组点，每组包含3个点，抽取的点用下式表示：其中，Pgji(x,y,z)为第j组中第i个点，j,i＝1,2,3；

步骤2.3、对每组内点云按高度进行排序，并保留每组中的最低点，保留的点用下式表示：

{Pg1min(x,y,z),Pg2min(x,y,z),Pg3min(x,y,z)}其中，Pgjmin(x,y,z)为第j组中的最低点，j＝1,2,3；

步骤2.4、对保留的最低点计算协方差矩阵，如下式所示：其中，C为协方差矩阵，cov()为两个变量间的协方差，x、y、z为提取的3个点对应坐标的平均值；

步骤2.5、求解协方差矩阵的特征值和特征向量，如下式所示：(C‑λE)x＝0

其中，λ为协方差矩阵的特征值矩阵，E为3×3的单位矩阵，x为与特征值对应的特征向量组成的矩阵；

特征值和特征向量的求解转化为求解下式：|C‑λE|＝0

步骤2.6、对特征向量按特征值大小进行排序，并用最小特征值对应的特征向量构建平面方程，构建的平面方程如下式所示：k0x+k1y+k2z+k3＝0其中，(k0,k1,k2)为最小特征值对应的特征向量，k3为激光雷达安装高度；

步骤2.7、利用构建的平面对所有点进行地面点筛选，约束条件如下式所示：k0xi+k1yi+k2zi+k3＜ht其中，(xi,yi,zi)为第i个点云的三维坐标，i＝1,2,...,n，n为步骤2.1输入点云的数量，ht为点云在平面法向上误差的阈值，阈值由平面波动程度决定；

步骤2.8、判断是否是初次筛选，如果是初次筛选，则在其余未选择点中执行步骤2.2～步骤2.7；如果不是初次筛选，则对最近两次地面点提取步骤中提取出的地面点云进行比较，判断两次地面点数量变化程度是否超过阈值，如下式所示：|nPd1‑nPd2|＜nt

其中，nPd1、nPd2为第1次、第2次提取的地面点数量，nt为地面点数量变化程度阈值，阈值由第1次提取的地面点数量限制；

如果两次提取出的地面点数量变化超过阈值，则返回执行步骤2.2～步骤2.7；如果两次提取出的地面点数量变化未超阈值，则保留数量较多的点记录为地面点，并依据保留结果筛选出非地面点作为输出。

4.根据权利要求1所述的一种基于混合高斯排序的激光雷达点云目标分级识别方法，其特征在于：步骤3中非地面点云密度聚类步骤如下：步骤3.1、将所有非地面点云记为未标记点，并设置距离阈值tp、相邻点个数tr和最小相邻点个数trmin；

步骤3.2、随机采样找到满足拥有距离阈值tp内超过最小相邻点个数trmin条件的点，并记为核心点；

步骤3.3、找到核心点最近的tr个点并记为同一类，如果最近的点中有核心点，那么所有点归为该核心点所属类；

步骤3.4、将有所属类的点记为已标记点，重复执行步骤3.2、步骤3.3、步骤3.4至所有点云均被记为已标记。

5.根据权利要求1所述的一种基于混合高斯排序的激光雷达点云目标分级识别方法，其特征在于：步骤4中非地面点云数据排序过程如下：步骤4.1、获取聚类后的数据并提取同一簇内点云数据clustersi；

步骤4.2、对提取到的同一簇内点云数据进行数据处理，确定坐标限值，划分子网格，按子网格构建该点云簇的离散高斯分布模型，过程如下：步骤4.2.1、计算点云簇clustersi水平方向上的坐标均值uix、uiy和标准差σix、σiy；

与此同时，计算点云簇clustersi协方差矩阵的行列式的平方根，见下式：其中，Ci为点云簇clustersi的协方差矩阵；

步骤4.2.2、统计点云簇clustersi中所有点水平坐标的极值ximin、ximax、yimin、yimax，确定点云簇clustersi的坐标范围ximin＜x＜ximax、yimin＜y＜yimax，并在坐标范围内按水平方向进行子网格划分，划分依据为固定长度d；

步骤4.2.3、利用水平方向均值、标准差、协方差矩阵的行列式的平方根，在划分的子网格上构建该点云簇的二维高斯分布模型，如下式所示：其中， 为簇内点云水平坐标xi和yi的相关性系数，x、y为划分的子网格水平坐标，gi(x,y)为点云簇clustersi在位置(x,y)的高斯分布系数；

步骤4.3、按构建出的子网格计算高斯分布系数gi(x,y)和分布函数均值，分布函数均值计算如下式所示：

其中，gimean为分布函数均值，num(x,y)为划分的网格数量，网格数量计算如下式所示：其中，floor()为向下取整函数；

按点云求点云簇内的平均高度zimean，获取x、y方向的坐标均值并记为ximean、yimean；

步骤4.4、判断是否对所有点云簇完成计算，如果没有对所有点云簇完成计算，则对未计算点云簇重复执行步骤4.1、步骤4.2和步骤4.3，直到对所有点云簇完成计算；

步骤4.5、获取所有点云簇的计算结果，利用得到的高斯分布系数、分布函数均值、x、y方向的坐标均值、点云簇内的点云平均高度构建分层排序矩阵，方法如下：步骤4.5.1、当判断对所有点云簇完成计算后，获取所有点云簇的计算结果，获取的数据如下所示：

{gi(x,y),gimean,ximean,yimean,zimean|clusteri,i＝1,2,...,num(clusters)}其中，num(clusters)为获得的点云簇数量；

步骤4.5.2、对高斯分布系数、分布函数均值进行归一化，构建排序矩阵第一列向量，构建过程如下式所示：

P1i＝p1i+p2i

其中，max()为最大值函数，min()为最小值函数，P1i为排序矩阵第一列向量的第i个元素，p1i为归一化之后的第i个点云簇的高斯分布系数、p2i为归一化之后的第i个点云簇的分布函数均值；

步骤4.5.3、求点云簇中心点到坐标系原点的距离，并构建排序矩阵第二列向量，构建过程如下式所示：

其中，P2i为排序矩阵第二列向量的第i个元素；

步骤4.5.4、利用点云簇内的点云平均高度构建排序矩阵第三列向量，构建过程如下式所示：

P3i＝zimean

其中，P3i为排序矩阵第三列向量的第i个元素，Zimean为z方向的坐标均值；

步骤4.5.5、输出构建好的排序矩阵，如下式所示：步骤4.6、依据构建的分层排序矩阵，对所有点云簇按重要程度进行排序，过程如下：步骤4.6.1、获取排序矩阵和步骤3输出的点云簇标签，所述的点云簇标签如下式所示：labels＝{labeli|i＝1,213,...,num(clusters)}其中，labels为点云簇标签集合，labeli为点云簇标签集合的第i个元素，num(clusters)为点云簇数量；

步骤4.6.2、对排序矩阵第一列按从大到小顺序进行排列，同时判断是否存在相同排序，判断依据为：

其中，S1为第一列是否存在相同排序的判定结果，P1t为第一列是否存在相同排序的判定阈值，阈值由相似程度百分比确定；

如果存在相同排序，则执行步骤4.6.3，如果不存在相同排序，则执行步骤4.6.6；

步骤4.6.3、对排序矩阵第二列按从大到小顺序进行排列，同时判断是否存在相同排序，判断依据为：

其中，S2为第二列是否存在相同排序的判定结果，P2t为第二列是否存在相同排序的判定阈值，阈值由相似程度百分比确定；

如果存在相同排序，则执行步骤4.6.4，如果不存在相同排序，则执行步骤4.6.6；

步骤4.6.4、对排序矩阵第三列按从大到小顺序进行排列，同时判断是否存在相同排序，判断依据为：

其中，S3为第三列是否存在相同排序的判定结果，P3t为第二列是否存在相同排序的判定阈值，阈值由相似程度百分比确定；

如果存在相同排序，则执行步骤4.6.5，如果不存在相同排序，则执行步骤4.6.6；

步骤4.6.5、利用获取的点云簇聚类标签对相同部分进行从大到小顺序排列；

步骤4.6.6、输出最终排序结果。

6.根据权利要求1所述的一种基于混合高斯排序的激光雷达点云目标分级识别方法，其特征在于：步骤5中识别步骤如下：步骤5.1、采集点云样本并进行人工标注，标注类别为车辆、行人、骑车人、其他；

步骤5.2、利用深度学习构建点云分类模型，并利用采集、标注的数据训练分类器；

步骤5.3、利用训练好的深度学习模型按目标的重要程度依次识别。