1.一种面向激光雷达点云数据的特征增强方法，其特征在于，包括：获取目标环境中的点云数据；

对所述点云数据进行体素化处理，得到点云的体素化数据；

对每一体素，根据所述体素化数据，利用三维稀疏卷积特征提取网络进行特征提取，得到多个尺度的体素特征；所述体素特征的尺度数量根据所述三维稀疏卷积特征提取网络中的稀疏卷积块的数量确定；

基于反距离权重法计算每一体素和所述点云数据中各点之间的权重，得到体素与点的反距离权重；

根据所述体素与点的反距离权重，利用三次线性插值方法将所述体素特征插值到所述点云数据的各点上，得到每一点的多个尺度的点特征；所述点特征的尺度数与所述体素特征的尺度数一一对应；

对每一点，利用特征权重学习网络学习各尺度的所述点特征对应的权重，得到各尺度的点特征权重；

对每一点，利用各尺度的所述点特征权重对各尺度的所述点特征进行融合补充，得到多个尺度的增强点特征，从而实现对所述点云数据的增强。

2.根据权利要求1所述的方法，其特征在于，所述对所述点云数据进行体素化处理，得到点云的体素化数据，具体包括：根据所述点云数据的范围设定每一体素的尺寸；

根据每个所述体素的尺寸将所述点云数据所在三维空间划分为数个等体积的小空间，得到多个体素；

利用所述点云数据的初始特征对每个非空体素进行初始编码，得到非空体素的初始特征，即点云的体素化数据。

3.根据权利要求2所述的方法，其特征在于，所述利用所述点云数据的初始特征对每个非空体素进行初始编码，具体包括：对每个所述非空体素，判断所述非空体素内是否存在所述点，得到判断结果；

当所述判断结果为是时，计算所述非空体素内的所有所述点的初始特征的均值，将所述均值作为所述非空体素的初始特征；

当所述判断结果为否时，则不对所述非空体素进行编码。

4.根据权利要求1所述的方法，其特征在于，所述三维稀疏卷积特征提取网络包括4个稀疏卷积块，依次记为第一稀疏卷积块，第二稀疏卷积块，第三稀疏卷积块和第四稀疏卷积块；

所述第一稀疏卷积块包括两个卷积核尺寸为3的第一流形稀疏卷积层，第一个所述第一流形稀疏卷积层的输入和输出特征通道尺寸分别为4和16，第二个所述第一流形稀疏卷积层的输入和输出特征通道尺寸分别为16和16；

所述第二稀疏卷积块包括一个卷积核尺寸为3的第一稀疏卷积层和两个卷积核尺寸为

3的第二流形稀疏卷积层，所述第一稀疏卷积层的输入和输出特征通道尺寸分别为16和32，两个所述第二流形稀疏卷积层的输入和输出特征通道尺寸均为32和32；

所述第三稀疏卷积块包括一个卷积核尺寸为3的第二稀疏卷积层和两个卷积核尺寸为

3的第三流形稀疏卷积层，所述第二稀疏卷积层的输入和输出特征通道尺寸分别为32和64，两个所述第三流形稀疏卷积层的输入和输出特征通道尺寸均为64和64；

所述第四稀疏卷积块包括一个卷积核尺寸为3的第三稀疏卷积层和两个卷积核尺寸为

3的第四流形稀疏卷积层，所述第三稀疏卷积层和两个所述第四流形稀疏卷积层的输入和输出特征通道尺寸均为64和64。

5.根据权利要求1所述的方法，其特征在于，所述基于反距离权重法计算每一体素和所述点云数据中各点之间的权重，得到体素与点的反距离权重，具体包括：其中，vk表示第k个体素，k＝1,2,...,m；η(vk)表示第k个体素的三维坐标；pj表示第j个点，j＝1,2,...,n；η(pj)表示第j个点的三维坐标；ritp表示反距离权重法的搜索半径。

6.根据权利要求5所述的方法，其特征在于，所述根据所述体素与点的反距离权重，利用三次线性插值方法将所述体素特征插值到所述点云数据的各点上，得到每一点的多个尺度的点特征，具体包括：其中，i表示第一尺度特征中的尺度值，i＝1,2,...,h。

7.根据权利要求1所述的方法，其特征在于，所述对每一点，利用特征权重学习网络学习各尺度的所述点特征对应的权重，得到各尺度的点特征权重，具体包括：将每一尺度的所述点特征输入至所述特征权重学习网络，得到每一尺度的所述点特征在各分量上的权重，记为分量权重；

根据每一尺度的所述点特征的各特征分量和对应的所述分量权重得到每一尺度的调整点特征；

将每一尺度的所述调整点特征的各特征分量相加得到特征和；

对每一所述特征和进行压缩得到每一尺度的点特征权重。

8.根据权利要求1所述的方法，其特征在于，所述利用各尺度的所述点特征权重对各尺度的所述点特征进行融合补充，得到多个尺度的增强点特征，具体包括：其中， 表示第i个尺度的增强点特征，i＝1,2,...,h； 表示第j个点的第i个尺度的点特征权重，j＝1,2,...,n； 表示第j个点的第i个尺度的点特征； 表示第j个点的第g个尺度的点特征权重； 表示第j个点的第g个尺度的点特征。

9.一种基于权利要求1至8任一项所述的面向激光雷达点云数据的特征增强方法的系统，其特征在于，包括：点云数据获取模块，用于获取目标环境中的点云数据；

体素化数据获取模块，用于对所述点云数据进行体素化处理，得到点云的体素化数据；

特征提取模块，用于对每一体素，根据所述体素化数据，利用三维稀疏卷积特征提取网络进行特征提取，得到多个尺度的体素特征；所述体素特征的尺度数根据所述三维稀疏卷积特征提取网络中的稀疏卷积块的数量确定；

反距离权重计算模块，用于基于反距离权重法计算每一体素和所述点云数据中各点之间的权重，得到体素与点的反距离权重；

特征插值模块，用于根据所述体素与点的反距离权重，利用三次线性插值方法将所述体素特征插值到所述点云数据的各点上，得到每一点的多个尺度的点特征；所述点特征的尺度数与所述体素特征的尺度数一一对应；

学习权重模块，用于对每一点，利用特征权重学习网络学习各尺度的所述点特征对应的权重，得到各尺度的点特征权重；

增强特征获取模块，用于对每一点，利用各尺度的所述点特征权重对各尺度的所述点特征进行融合补充，得到多个尺度的增强点特征，从而实现对所述点云数据的增强。

10.根据权利要求9所述的系统，其特征在于，所述学习权重模块具体包括：分量权重获取单元，用于将每一尺度的所述点特征输入至所述特征权重学习网络，得到每一尺度的所述点特征在各分量上的权重，记为分量权重；

调整点特征获取单元，用于根据每一尺度的所述点特征的各特征分量和对应的所述分量权重得到每一尺度的调整点特征；

特征和获取单元，用于将每一尺度的所述调整点特征的各特征分量相加得到特征和；

点特征权重获取单元，用于对每一所述特征和进行压缩得到每一尺度的点特征权重。