1.一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，具体包括如下步骤：S1，将底质分类结果与点云中每个点对应，使每个点都属于一个类别结果，得到带分类的点云集合；

S2，对经过步骤S1得到的带分类的点云进行最远点采样，得到关键点；

S3，以关键点为球心，设定球形区域的半径和球形区域中采样点的最大数量，进行球查询操作，得到局部点集；

S4，将局部点集输入联合识别网络进行目标识别，联合识别网络包括依次连接的点云特征提取模块、三维卷积模块和RPN网络；

S5，设置联合识别网络的总损失函数，评估目标识别结果；

步骤S3具体包括如下步骤：

S3.1，对于集合 中的每个关键点 ，以 的坐标点为球心，计算带有底质分类标签的非关键点点云到球心坐标的距离；

S3.2，选取不超过球半径 的距离最近的前 个点作为局部点集的点，球查询操作表示为：；

其中， 是局部点集， 表示选取的点的数量。

2.根据权利要求1所述的一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，步骤S1中带分类的点云集合表示为：；

；

其中，表示带类别点云集合， 是集合 在空间 中的一个点，用 表示点的空间坐标， 表示点的总数，表示点的类别， ,  和 为三种类别。

3.根据权利要求1所述的一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，步骤S2具体包括如下步骤：S2.1，在带类别点云集合 中随机选取一个点放入集合 ，指定采样点总数为 ；

S2.2，计算 中剩余点到集合 中每个点的距离最小值，将距离最小值作为 中每个剩余点到集合 的距离；

S2.3，选取 中剩余点距离集合 最远的点放入集合 ，重复S2.2 S2.3直至采样点总~数达到 ，得到 ：

；

其中， 是集合 中的关键点， 表示 到集合 中每个点的欧式距离，和 表示选取最大值和最小值操作；

由关键点 构成的集合 表示为：

；

其中， 表示关键点 的空间坐标。

4.根据权利要求1所述的一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，步骤S4中在点云特征提取模块中进行点云特征提取，点云特征提取模块包括第一、第二、第三特征提取层，具体包括如下步骤：S4.1，联合识别网络的输入为局部点集 中的点云数据 ，局部点集中的点 表示为：

；

其中， 包含点的原始坐标 和对应点的类别 ；

S4.2，将关键点融入到点云数据 ，得到点的扩充特征 ：；

S4.3，在第一特征提取层中，将 中的每个点 通过第一特征提取层中的卷积层映射到 维空间中，输出特征为 ，维数为 ，以 作为输入，依次经过第一特征提取层中的归一化层、非线性层和最大池化层聚合后，得到球形局部特征 ：；

其中， 表示最大池化操作；

S4.5，将 和 进行拼接，拼接后依次经过第二特征提取层和第三特征提取层，再经过最大池化层得到一个球形点集综合特征。

5.根据权利要求4所述的一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，在步骤S4中的三维卷积模块中进行如下步骤：S4.6，对 个球形点集执行步骤S4.1 步骤S4.5，得到 个球形综合特征，将 个球形~综合特征拼接，使拼接后的 个球形综合特征作为三维卷积模块的输入；

S4.7，设计三维卷积模块，包括：编码路径和解码路径，编码路径和解码路径中分别包括三个三维卷积层和三个三维反卷积层；一个三维卷积层对应一个三维反卷积层；编码路径中，每个三维卷积层包括：三维卷积、批归一化层和非线性层，在解码路径中，每个三维反卷积包括：三维反卷积、批归一化层和非线性层，在解码路径的每一三维反卷积层，将当前层得到的特征图与经过编码路径中对应层级的特征图进行拼接，再经过一个三维卷积操作融合最终的编码路径和解码路径的信息。

6.根据权利要求5所述的一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，在步骤S4中的RPN网络中进行如下步骤：S4.8，将三维卷积模块的输出作为RPN网络的输入；

S4.9，构建RPN网络，包括边界框检测头和分类检测头；

S4.10，边界框检测头的输出特征 表示为：；

其中，每个维度特征 由边界框中心坐标 ，边界框的长 、宽 、高 和朝向角度 表示， 是最大预测数量；

分类检测头的输出特征 表示为：

；

其中，表示分类的类别数量， 为属于正类别的预测结果；

S4.11，将真实标签的边界框特征设置为 ，将真实标签的类别特征设置为 。

7.根据权利要求1所述的一种基于激光雷达融合底质信息的点云目标检测方法，其特征在于，步骤S5具体包括如下步骤：S5.1，总损失函数 表示为：

；

其中， 、 为权重， 为回归损失， 为分类损失；

S5.2，回归损失用于衡量联合识别网络在目标边界框位置预测上的误差，使用 和的拉普拉斯分布之间的KL散度来度量位置误差：；

其中， 为中心位置坐标损失， 为回归框尺寸损失， 为朝向角度损失， 为顶点损失，  、 和 分别为预测值的中心位置坐标、回归框尺寸、朝向角度， 、 和 分别为真实值的中心位置坐标、回归框尺寸、朝向角度；

为权重； 表示拉普拉斯分布；

S5.3，分类损失负责衡量联合识别网络在目标分类标签预测上的误差，采用焦点损失函数：；

其中，是调节因子， 为对数函数， 是第 个真实标签的类别特征。