1.一种遮挡目标检测方法，其特征在于，包括：

获取训练样本集，输入至遮挡目标检测网络中，通过所述遮挡目标检测网络中的点云多尺度特征提取子网络获取所述训练样本集中的候选数据，其中，所述候选数据包括候选框、稀疏点云数据和稀疏点云特征；

基于所述稀疏点云数据利用所述遮挡目标检测网络中的编码器和解码器进行迭代运算得到遮挡区域形状特征，根据所述遮挡区域形状特征进行所述遮挡目标检测网络中的形状点云重构操作得到遮挡目标整体形状点云数据；

根据所述遮挡目标整体形状点云数据、已知区域点集和所述稀疏点云特征利用所述遮挡目标检测网络中的通道注意力融合操作获取聚合特征，其中，所述已知区域点集是基于所述稀疏点云数据随机采样得到的；

基于所述聚合特征和所述已知区域点集利用所述遮挡目标检测网络中的多尺度transformer模型进行特征细化迭代计算获取遮挡目标全局特征；

基于所述遮挡目标全局特征进行所述遮挡目标检测网络中的置信度计算操作和位置回归操作，获取所述训练样本集中的遮挡目标的置信度分数和回归偏移量，基于所述置信度分数和所述回归偏移量利用损失函数约束更新所述遮挡目标检测网络的参数，学习生成遮挡目标检测模型；

采用所述遮挡目标检测模型对待检测样本集进行检测，得到遮挡目标检测框和遮挡目标类别信息，完成遮挡目标检测。

2.如权利要求1所述的方法，其特征在于，所述迭代运算包括第一迭代运算和第二迭代运算；

所述基于所述稀疏点云数据利用所述遮挡目标检测网络中的编码器和解码器进行迭代运算得到遮挡区域形状特征，根据所述遮挡区域形状特征进行所述遮挡目标检测网络中的形状点云重构操作得到遮挡目标整体形状点云数据，包括：根据所述稀疏点云数据进行所述遮挡目标检测网络中的图嵌入操作获取图嵌入局部结构特征，基于所述图嵌入局部结构特征，利用所述编码器进行所述第一迭代运算得到编码器输出结构特征，对所述编码器输出结构特征进行所述遮挡目标检测网络中的投影映射操作，以获取遮挡区域中心点序列和遮挡区域中心点结构特征；

对所述遮挡区域中心点序列和所述遮挡区域中心点结构特征执行所述遮挡目标检测网络中的第一嵌入操作得到遮挡区域初始局部形状特征；

根据所述遮挡区域初始局部形状特征和所述编码器输出结构特征，利用所述解码器进行所述第二迭代运算和维度变换操作，以获取所述遮挡区域形状特征，利用所述遮挡区域形状特征、所述遮挡区域中心点序列和所述稀疏点云数据进行所述形状点云重构操作，获取所述遮挡目标整体形状点云数据。

3.如权利要求2所述的方法，其特征在于，所述图嵌入操作包括第一迭代最远点采样操作、图卷积操作及第二嵌入操作，所述投影映射操作包括全局池化操作和第一多层感知器；

所述根据所述稀疏点云数据进行所述遮挡目标检测网络中的图嵌入操作获取图嵌入局部结构特征，基于所述图嵌入局部结构特征，利用所述编码器进行所述第一迭代运算得到编码器输出结构特征，对所述编码器输出结构特征进行所述遮挡目标检测网络中的投影映射操作，以获取遮挡区域中心点序列和遮挡区域中心点结构特征，包括：对所述稀疏点云数据进行所述第一迭代最远点采样操作和所述图卷积操作获取已知区域中心点序列和已知区域拓扑特征；

将所述已知区域中心点序列和所述已知区域拓扑特征执行所述第二嵌入操作以获取所述图嵌入局部结构特征；

基于所述图嵌入局部结构特征，利用所述编码器进行所述第一迭代运算以获取所述编码器输出结构特征，其中，所述第一迭代运算是基于特征自编码操作和第一前馈网络进行编码的；

根据所述编码器输出结构特征利用所述全局池化操作提取全局信息；

基于所述全局信息利用所述第一多层感知器获取所述遮挡区域中心点序列和所述遮挡区域中心点结构特征。

4.如权利要求2所述的方法，其特征在于，所述形状点云重构操作包括第一拼接操作，第二多层感知器和第二拼接操作；

所述根据所述遮挡区域初始局部形状特征和所述编码器输出结构特征，利用所述解码器进行所述第二迭代运算和维度变换操作，以获取所述遮挡区域形状特征，利用所述遮挡区域形状特征、所述遮挡区域中心点序列和所述稀疏点云数据进行所述形状点云重构操作，获取所述遮挡目标整体形状点云数据，包括：将所述遮挡区域初始局部形状特征作为所述解码器的首层输入形状特征，并结合所述编码器输出结构特征进行所述第二迭代运算以获取解码器输出形状特征，其中，所述第二迭代运算是基于特征自解码操作、特征交叉解码操作和第二前馈网络进行解码操作；

对所述解码器输出形状特征利用第三多层感知器进行所述维度变换操作以得到所述遮挡区域形状特征；

基于所述遮挡区域中心点序列和所述遮挡区域形状特征进行所述第一拼接操作得到第一拼接特征；

对所述第一拼接特征使用所述第二多层感知器进行空间映射以获取遮挡区域点云数据；

将所述遮挡区域点云数据和所述稀疏点云数据进行所述第二拼接操作以获取所述遮挡目标整体形状点云数据。

5.如权利要求1所述的方法，其特征在于，所述根据所述遮挡目标整体形状点云数据、已知区域点集和所述稀疏点云特征利用所述遮挡目标检测网络中的通道注意力融合操作获取聚合特征，包括：在所述已知区域点集中点的邻域半径范围内采用第四多层感知器聚集所述遮挡目标整体形状点云数据，得到遮挡目标整体形状特征；

根据所述已知区域点集中点的索引号在所述稀疏点云特征中采样得到已知特征，利用卷积网络更新所述已知特征得到已知区域位置特征；

根据所述遮挡目标整体形状特征和所述已知区域位置特征采用第三拼接操作获得初始混合特征；

基于所述初始混合特征进行逐点池化操作获取到通道注意力特征；

对所述通道注意力特征进行第一线性投影操作和归一化操作，获得通道注意力图，将所述通道注意力图和所述已知区域位置特征相乘后进行第二线性投影操作得到所述聚合特征。

6.如权利要求1所述的方法，其特征在于，所述特征细化迭代计算包括第二迭代最远点采样操作、聚合操作、自注意力操作、第一交叉注意力操作、第三线性投影操作、第二交叉注意力操作和第三前馈网络；

所述基于所述聚合特征和所述已知区域点集利用所述遮挡目标检测网络中的多尺度transformer模型进行特征细化迭代计算获取遮挡目标全局特征，包括：将所述聚合特征和所述已知区域点集分别作为所述多尺度transformer模型的首层输入特征和首层输入点集，基于所述多尺度transformer模型的首层输入点集进行所述第二迭代最远点采样操作获取首层中心点集合，其中，所述首层中心点集合为首层输出点集；

基于所述首层中心点集合采用所述聚合操作分别聚合所述多尺度transformer模型的首层输入特征得到首层第一尺度特征和首层第二尺度特征，对所述首层第一尺度特征进行所述自注意力操作以获取首层第一尺度自注意力特征，基于所述首层第一尺度自注意力特征和所述首层第二尺度特征进行所述第一交叉注意力操作获得首层第一分辨率特征；

对于所述首层输入特征，进行所述第三线性投影操作得到首层第二分辨率特征，基于所述首层第一分辨率特征和所述首层第二分辨率特征进行所述第二交叉注意力操作并通过所述第三前馈网络更新得到首层输出特征，完成所述特征细化迭代计算的第一次细化计算；

基于所述首层输出特征和所述首层输出点集通过所述多尺度transformer模型的剩余各层继续进行所述特征细化迭代计算的目标次数细化计算，得到所述多尺度transformer模型的最后一层输出点集和最后一层输出特征以生成所述遮挡目标全局特征，其中，所述多尺度transformer模型的剩余各层不包括所述多尺度transformer模型的首层。

7.如权利要求1所述的方法，其特征在于，所述基于所述遮挡目标全局特征进行所述遮挡目标检测网络中的置信度计算操作和位置回归操作，获取所述训练样本集中的遮挡目标的置信度分数和回归偏移量，基于所述置信度分数和所述回归偏移量利用损失函数约束更新所述遮挡目标检测网络的参数，学习生成遮挡目标检测模型，包括：基于所述遮挡目标全局特征使用第一全连接神经网络进行所述置信度计算操作，生成所述训练样本集中的遮挡目标的置信度分数以判别所述遮挡目标的类别值；

基于所述遮挡目标全局特征使用第二全连接神经网络进行所述位置回归操作生成所述遮挡目标对应的候选框的回归偏移量，将所述候选框的长、宽、高、角度参数及中心点坐标与所述训练样本集中的真实目标框的长、宽、高、角度参数及中心点坐标之间的差值作为回归目标；

基于所述遮挡目标的类别值与所述训练样本集中的真实目标类别标签计算交叉熵分类损失，并基于所述遮挡目标对应的候选框的回归偏移量与所述回归目标计算位置回归损失，基于所述交叉熵分类损失与所述位置回归损失之和约束更新所述遮挡目标检测网络的参数，生成所述遮挡目标检测模型。

8.一种遮挡目标检测装置，其特征在于，包括：

提取单元，用于获取训练样本集，输入至遮挡目标检测网络中，通过所述遮挡目标检测网络中的点云多尺度特征提取子网络获取所述训练样本集中的候选数据，其中，所述候选数据包括候选框、稀疏点云数据和稀疏点云特征；

编码解码单元，用于基于所述稀疏点云数据利用所述遮挡目标检测网络中的编码器和解码器进行迭代运算得到遮挡区域形状特征，根据所述遮挡区域形状特征进行所述遮挡目标检测网络中的形状点云重构操作得到遮挡目标整体形状点云数据；

融合单元，用于根据所述遮挡目标整体形状点云数据、已知区域点集和所述稀疏点云特征利用所述遮挡目标检测网络中的通道注意力融合操作获取聚合特征，其中，所述已知区域点集是基于所述稀疏点云数据随机采样得到的；

获取单元，用于基于所述聚合特征和所述已知区域点集利用所述遮挡目标检测网络中的多尺度transformer模型进行特征细化迭代计算获取遮挡目标全局特征；

生成单元，用于基于所述遮挡目标全局特征进行所述遮挡目标检测网络中的置信度计算操作和位置回归操作，获取所述训练样本集中的遮挡目标的置信度分数和回归偏移量，基于所述置信度分数和所述回归偏移量利用损失函数约束更新所述遮挡目标检测网络的参数，学习生成遮挡目标检测模型；

检测单元，用于采用所述遮挡目标检测模型对待检测样本集进行检测，得到遮挡目标检测框和遮挡目标类别信息，完成遮挡目标检测。

9.一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1‑7中任一项所述的遮挡目标检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1‑7中任一项所述的遮挡目标检测方法。