1.一种基于类别融合的三维点云数据检索方法，其特征在于，所述方法包括：采集原始的三维点云数据，并利用最远点采样法抽取出部分三维点云数据；

采用预先联合训练后的增强器对抽取出的三维点云数据进行增强处理；

预先联合训练的过程包括：

输入具有类别标签的三维点云数据，并采用最远点采样法抽取出第一训练样本；

利用增强器对所述第一训练样本进行增强处理，并获得第二训练样本；

将第一训练样本和第二训练样本输入到特征编码器中，提取出训练样本的全局特征；

采用分类器对训练样本的全局特征进行分类处理，得到训练样本的分类特征，将该分类特征联合训练样本真实的类别标签计算出增强器损失，并反馈至增强器以更新增强器，并组成增强器、特征编码器和分类器的闭环模型；

计算出闭环模型的联合损失，当所述联合损失收敛时，更新所述增强器、特征编码器以及分类器，其中，所述闭环模型的联合损失包括增强器损失LA，以及特征编码器与分类器所构成的类别融合的特征提取损失LF，表示为L＝LA+LF，L表示联合损失；

增强器进行增强处理的过程包括提取出三维点云数据的逐点特征，对所述逐点特征进行全局池化得到特征向量；使用噪声向量与特征向量进行连接，并通过多层感知机网络得到可学习的点变换矩阵；使用噪声矩阵与逐点特征和特征向量进行连接，并通过多层感知机网络得到可学习的点位移矩阵，利用可学习的点变换矩阵和点位移矩阵得到增强后的三维点云数据；

将该分类特征联合训练样本真实的类别标签计算出增强器损失，并反馈至增强器以更新增强器具体包括将第一训练样本P和采用增强器生成增强的第二训练样本P'，输入特征编码器和分类器得到最后的分类特征；通过分类特征计算出第一训练样本P和第二训练样本P'分别对应的交叉熵损失L(P)和L(P')，并计算出增强器损失，利用所述增强器损失反向更新增强器中多层感知机网络的可学习参数，并自适应调整可学习的点变换矩阵和可学习的点位移矩阵；

将抽取的三维点云数据和增强的三维点云数据输入到预先联合训练后的特征编码器中，提取出三维点云数据的全局特征；

采用预先联合训练后的分类器对所述全局特征进行分类处理，得到三维点云数据的分类特征并反馈至增强器中以更新增强器；

将三维点云数据的分类特征与数据库中预存的同一类别的分类特征按照特征距离进行排序，输出数据库中排名靠前的三维点云数据作为检索结果。

2.根据权利要求1所述的一种基于类别融合的三维点云数据检索方法，其特征在于，增强器损失表示为：LA＝L(P′)+λ|1.0‑exp(L(P′)‑ρL(P))

其中，L(P')表示增强的第二训练样本P'的交叉熵损失，λ表示固定的超参数，L(P)表示抽取的第一训练样本P的交叉熵损失；ρ表示增强器训练过程采用的超参数，yc表示P属于第c个类别的真实标签，yc表示预测P为第c个类别的概率，K表示P的类别总数。

3.根据权利要求1所述的一种基于类别融合的三维点云数据检索方法，其特征在于，类别融合的特征提取损失表示为：LF＝LC+μLIN

其中，LC表示类间损失，LC＝L(P′)+L(P)+γ||Fg‑Fg′||2,L(P')表示增强的第二训练样本P'的交叉熵损失，L(P)表示抽取的第一训练样本P的交叉熵损失；γ表示平衡系数，Fg表示P的全局特征，Fg'表示P'的全局特征；μ表示类间损失与类内损失之间的比例因子；LIN表示类内损失， xi表示第i个训练样本的全局特征， 表示第i个训练样本的分类特征的均值点；N表示一次训练所选取的训练样本数。

4.根据权利要求1所述的一种基于类别融合的三维点云数据检索方法，其特征在于，所述将三维点云数据的分类特征与数据库中预存的同一类别的分类特征按照特征距离进行排序包括数据库中预存有所有三维点云数据的分类特征以及预测的类别标签，并将其类别标签作为索引标签；将输入待查询三维点云数据的分类特征与数据库中预存的同一类别的分类特征按照特征距离进行排序。

5.一种基于类别融合的三维点云数据检索装置，其应用与如权利要求1～4任一所述的一种基于类别融合的三维点云数据检索方法，其特征在于，所述装置包括：数据采集模块，用于采集原始的三维点云数据；

数据采样模块，用于利用最远点采样法抽取出部分三维点云数据；

数据增强模块，用于采用预先联合训练后的增强器对抽取出的三维点云数据进行增强处理；

特征提取模块，用于采用预先联合训练后的特征编码器对抽取出的三维点云数据进行特征提取得到其全局特征；

特征分类模块，用于采用预先联合训练后的分类器对所述全局特征进行分类处理，得到三维点云数据的分类特征并反馈至增强器中以更新增强器；

数据检索模块，用于将三维点云数据的分类特征与数据库中预存的同一类别的分类特征按照特征距离进行排序，输出数据库中排名靠前的三维点云数据作为检索结果。

6.根据权利要求5所述的一种基于类别融合的三维点云数据检索装置，其特征在于，所述三维点云检索装置还包括数据训练模块，用于对增强器、特征编码器和分类器的闭环模型进行联合训练。

7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～4任一所述方法的步骤。