1.一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述方法包括以下步骤：步骤1，单目相机标定；

步骤2，获取相机图像并检测到2D目标对象和目标类别；

步骤3，获取三维激光雷达的点云并预处理；

步骤4，对预处理后的点云进行地面剔除；

步骤5，对地面剔除后的点云进行聚类，得到聚类后的点云和各类点云对应的3D边界框；

步骤6，对聚类后的点云进行分类并进行非目标剔除；

步骤7，基于非目标剔除后的点云和3D边界框获取2D投影框；

步骤8，基于2D目标对象和2D投影框，输出融合后的3D目标点云。

2.如权利要求1所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述单目相机通过张正友棋盘格标定法标定。

3.如权利要求1所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述步骤2包括以下步骤：步骤2.1，使用标定后的单目相机获取相机图像，步骤2.2，通过目标检测网络在相机图像上框选目标，得到2D目标对象及目标类别。

4.如权利要求1所述的一种融合三维激光雷达的单目相机的3D目标检测方法，其特征在于，所述步骤3包括以下步骤：步骤3.1，以三维激光雷达的安装位置为坐标原点，采用右手坐标系建立三维激光雷达坐标系；

步骤3.2，设定三维激光雷达感兴趣区域ROI，并提取感兴趣区域ROI内的扫描点构成点云P＝{p(x，y，z)|p∈ROI}，其中p(x，y，z)为扫描点在三维激光雷达坐标系中的坐标；

步骤3.3，对点云在三维激光雷达坐标系的坐标信息进行数据降噪。

5.如权利要求4所述的一种融合三维激光雷达的单目相机的3D目标检测方法，其特征在于，所述感兴趣区域ROI为‑Rmax＜x＜Rmax，且‑Rmin＜y＜Rmin，Rmax为三维激光雷达前后两侧半径，Rmin为三维激光雷达的左右两侧半径，x轴为三维激光雷达前进方向，x轴与y轴在水平面上呈90°。

6.如权利要求4所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述数据降噪包括以下步骤：2

设定邻域半径R，搜寻每一扫描点pj(xj，yj，zj)在邻域内的点集Pj＝{(x，y，z)|(x‑xj) +

2 2

(y‑yj) ≤R}，其中，j为点云的索引，j＝1，2，3…，Pj∈P；

通过中值滤波算法分别计算各点集Pj在Z轴上的中值Zm，并以中值Zm替代对应的扫描点pj(xj，yj，zj)在Z轴上的坐标值zj。

7.如权利要求1所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述步骤4包括以下步骤：步骤4.1，初始化i＝0，在预处理后的点云中随机选择三个扫描点作为初始平面子集点，构建平面；

步骤4.2，根据其余扫描点与平面间的距离，确定其余扫描点是否属于平面；

步骤4.3，当属于平面的扫描点数量大于预设阈值时，则该平面为地面点云平面并执行步骤4.4，否则直接执行步骤4.4；

步骤4.4，令i＝i+1，并判断i＞c，c为最大迭代次数，若是，则从点云中剔除地面点云平面所包含的扫描点，否则执行步骤4.5；

步骤4.5，在预处理后的点云中重新随机选择三个不同的扫描点，构建新的平面，并返回步骤4.2。

8.如权利要求1所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述步骤6包括以下步骤：步骤6.1，从聚类后的点云中提取n个维度的m个特征；

步骤6.2，基于每一扫描点提取到的特征值集合构建特征向量；

步骤6.3，基于特征向量，采用基于支持向量机的点云分类模型对扫描点进行分类，得到点云的目标类别；

步骤6.4，在聚类后的点云中剔除不属于目标的扫描点。

9.如权利要求6所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述步骤7包括以下步骤：步骤7.1将非目标剔除后的点云及3D边界框按式(3)和式(4)投影到展平的圆柱面上，得到投影坐标ximg和yimg，其中h_res和v_res分别表示激光雷达的水平分辨率和垂直分辨率；

步骤7.2，选取所有投影点中坐标值最小的点作为坐标原点，更新投影点坐标，得到3D雷达的2D投影框。

10.如权利要求9所述的一种融合三维激光雷达和单目相机的3D目标检测方法，其特征在于，所述步骤8包括以下步骤：步骤8.1，计算每个2D目标对象和2D投影框的IOU值，并构建n×m的IOU矩阵，n为2D目标对象的数量，m为2D投影图的数量；

步骤8.2，遍历IOU矩阵，当任一IOU值大于设定的IOU阈值t，将2D投影框内的投影点对应的点云作为目标点云进行输出，同时将2D目标对象的目标类别作为3D目标类别输出。