1.多模态输入与空间划分的三维目标检测方法，其特征在于，包括以下步骤：(1)采用原始点云数据和RGB三通道彩色图像作为多模态输入；

(2)对所述原始点云数据空间划分，逐行逐列索引点云分组，每一个点云分组为原始点云数据的子集，对点云分组随机采样，每一个点云分组采样出K个点，输入到PointNet中提取特征，得到K个特征向量，通过最大池化层对这K个特征向量进行降维，得到K个local‑global特征向量；

(3)将RGB三通道彩色图像切分，经过逐行索引切片，输入到二维特征提取器VGG16中，只提取第8层纹理颜色的浅层相关特征，得到从RGB三通道彩色图像中提取的K个颜色纹理特征向量；

(4)对K个local‑global特征向量和K个颜色纹理特征向量进行融合，获得融合后的特征向量；

(5)融合后的特征向量经过全连接层，得到输出的预测结果，根据置信度，绘制BBox完成后处理任务；

步骤3中，提取RGB三通道彩色图像颜色的浅层相关特征，将RGB三通道彩色图像切分，逐行索引，一共W*H个切片，索引号为{0，1，2…W*H}，其中W、H分别表示宽度方向、高度方向空间划分个数；

逐个切片输入到二维特征提取器VGG16中，只提取第8层纹理颜色的浅层相关特征，得到从RGB三通道彩色图像中提取的K个颜色纹理特征向量；

步骤2中，提取原始点云数据的特征，将原始点云数据空间划分，逐行逐列索引，一共W*H*D个点云分组，索引号为{0，1，2…W*H*D}，其中W、H、D分别表示宽度方向、高度方向、深度方向空间划分个数；

根据点的分布，筛选出可能存在物体的点云分组，去除不存在物体的点云分组，如果分组中不包含点，则去除掉，不负责预测物体；

对被保留下来的点云分组随机采样，每一个点云分组采样出K个点，输入到PointNet中，得到K个特征向量，然后对这K个特征向量在深度方向上通过最大池化层进行降维，得到K个1024维的local‑global特征向量。

2.根据权利要求1所述的多模态输入与空间划分的三维目标检测方法，其特征在于，步骤5中，对融合后的特征向量进行预测，完成后处理任务，通过损失函数训练整个网络，得到输出的预测结果；

对于每一个提取了特征的点云分组，需要判断该分组内含有待检测目标的可能性，通过置信度损失 来衡量：C

其中，GIoU表示边框损失函数，IoU表示BBox与真实值的交并比，A表示包围BBox和真实值的最小立方体区域体积，u表示BBox与真实值的并集体积； 是第i个预测值Ci通过Sigmoid函数得到的预测置信度；Oi表示第i个BBox与真实值重合度； 表示置信度损失，N为正负样本个数；

总损失函数 定义如下：

其中，Npos为正样本个数，λconf，λloc，λcls，λdir分别表示置信度损失，定位损失，分类损失，方向角损失的平衡系数， 分别表示置信度损失，定位损失，分类损失，方向角损失；最后，通过损失函数训练整个网络。