1.一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，包括：S1：获取激光雷达三维点云数据并根据执行状态的判定处理；

S2：当执行状态处于3D场景背景深度学习时，对3D场景中各点位特征的三维点云数据进行深度学习；

S3：当执行状态为非深度学习状态时，若执行状态处于目标轨迹跟踪状态，则解析每一帧三维点云数据，依据深度学习的容器数据，进行三维点云数据的校验和剔除，获得目标数据进行跟踪；

所述的步骤S3包括以下过程：

设定参数阈值，过滤无效的三维点云数据，执行点位信息搜索和点位距离判定，获得目标点并把目标点放入容器A；

设置离群点阈值，执行去离群点算法；

设置距离阈值，对容器A中的所有点进行多次聚类分割，获得目标点位集合容器B；

设置outlineBox集合点数阈值，找出容器B中心点位，把每个目标放入各自的outlineBOX集合；

设置当前点和背景点距离差值阈值，执行点位信息搜索和点位距离判定，过程如下：通过点位信息生成的key，查找对应容器；

取当前的深度值与容器中的每个深度值进行距离判断，若在该点位的深度容器中查找到距离绝对值小于该阈值，则表示该点位为背景点，否则为目标点；

将目标点划为待处理点并插入到待处理点集容器A；

创建每个点位掩码位，使用数组并将每个元素的初始状态设置为0，对待处理点集容器A进行去离群点算法处理：设定离群点阈值，求解当前点与前一个位置点距离，如果大于配置的离群点阈值，则标识属于离群点，进行剔除；

在对点集容器A进行聚类算法处理时，设定距离阈值包括：当前点与中心点X距离阈值、当前点与中心点Y距离阈值、当前点与中心点Z距离阈值；

遍历容器A取出内部第一个点和其他点位信息进行距离运算，并标识已经检测状态；

判断与该同类中心点位的距离，当距离小于距离阈值则为同类点进行存储统计，否则异类不进行统计，同时更新同类中心点位信息；

如此循环，当检测到点位数大于设定数量时，则检测到目标，便对其点位集合进行分类存储，插入到目标点位集合容器B中；

求解目标点位集合容器B的中心点，设定outlineBox集合点数阈值；

当容器B中点位数达到outlineBox集合点数阈值时，即表示属于有效的目标，执行渲染和轨迹跟踪；

设定位移阈值，判断新一帧和前一帧中心点位置偏移，小于位移阈值则静止，大于位移阈值则移动。

2.根据权利要求1所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，激光雷达相机以流模式获取三维点云数据。

3.根据权利要求1或2所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，所述的深度学习过程包括：设定参数阈值，过滤3D场景中无效的三维点云数据；

创建hashmap点位特征容器；使用hashkey算法生产hashmap点位特征容器的key；生产每一个点位的深度特征容器集合；

对每帧的每个点位进行深度特征数据检索，将未被深度学习的深度特征数据进行深度学习并放入深度特征容器集合中。

4.根据权利要求3所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，设置的参数阈值包括过滤点云数据流中最小深度阈值、过滤点云数据流中最大深度阈值和计算两点世界坐标距离阈值。

5.根据权利要求3所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，所述的hashkey算法包括：将每个点位信息的X轴的X坐标信息和Y轴的Y坐标信息进行字符串形式转换；

X轴坐标值和Y轴坐标值拼接形成key，生产每个点位的深度特征数据集合。