1.一种稀疏雷达和双目立体图像融合的3D目标检测方法，其特征在于，所述方法包括：对立体图像和稀疏LiDAR深度图分别进行特征编码后，基于注意力融合模块，将两条路径的特征信息进行融合，所述融合是从LiDAR深度图到立体图像；

基于立体区域提取网络输出相应的左右感兴趣区域，将左右特征图被一起输入到立体回归网络分支和深度预测分支，用于对3D边界框的位置、尺寸和方向进行预测；

所述方法包括：

将稀疏LiDAR特征加入到图像特征中，并为每个特征级别设置权重wi，通过计算稀疏LiDAR与其对应的立体图像特征图之间的相关性，得到相关性得分wi，定义为：其中， 是特征提取器中第i对立体图像特征图和稀疏LiDAR特征图，wi是第i级别稀疏LiDAR特征图的权重，cos是余弦相似函数；

H×W×C r H×W×C s

将Fi+1上采样2倍成Ff'∈R ，应用1×1卷积运算分别将Fi 投影成F′r∈R ，将FiH×W×C投影成F′s∈R ，描述为：

F′f＝upsample(Fi+1)

r

F′r＝f1×1(Fi)

s

F′s＝f1×1(Fi)

其中，upsample是通过最近邻内插进行的上采样操作，f1×1表示1×1卷积层；

上采样的特征图与相应的Fr'特征图通过逐元素相加合并，在每个合并后的特征图上附加一个3×3卷积，将合并后的特征与应用权重为wi的稀疏LiDAR特征Fs'进行相加，输出特征的计算方法如下：F5＝f3×3(F′r+w5·F′s)

融合结果Fi是下一个融合阶段的更高级别特征，重复此过程，直到生成最终的特征图。

2.根据权利要求1所述的一种稀疏雷达和双目立体图像融合的3D目标检测方法，其特征在于，所述立体回归网络分支，用于回归2D立体框、尺寸、视点角度和2D中心；所述深度预测分支，用于预测3D边界框中心的单变量深度。

3.根据权利要求1所述的一种稀疏雷达和双目立体图像融合的3D目标检测方法，其特征在于，所述注意力融合模块将左稀疏LiDAR特征图与相应的左RGB特征图进行融合，右稀疏LiDAR特征图与相应的右RGB特征图进行融合。

4.根据权利要求1所述的一种稀疏雷达和双目立体图像融合的3D目标检测方法，其特征在于，所述融合过程为：其中，Fi表示融合的特征， 是编码器中每个阶段的最后一个块输出的特征，指的是编码器的最后一个输出特征。

5.一种稀疏雷达和双目立体图像融合的3D目标检测装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1‑4中的任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1‑4中的任一项所述的方法。