1.一种基于深度学习的点云语义分割方法，其特征在于包括如下步骤：
s1)根据先验信息对场景作出初步的聚类分割，将不感兴趣点云设置为背景类别，获得潜在感兴趣类别的若干点云簇，再对若干点云簇进一步精炼优化，最终得到候选点云簇；
s1-1)地面拟合分割
根据地面的先验信息，地面被平面模型表达，拟合多个平面nseg；
选取若干高度值较低的种子点，拟合出平面，计算每个点与拟合平面的垂直距离并根据阈值thdist判断该点是否属于平面，属于平面的点被作为新种子点再次拟合平面；重复上述过程niter次；最后将nseg平面拼接在一起来获取整个地面；
s1-2)基于激光雷达环的快速聚类分割
按照一定顺序存储的激光雷达传感器中的每个点，每个点都属于其中一个环；
处在同一个环上的点之间的距离若小于阈值thring，就被聚为一类；处在不同环上的点之间的距离若小于阈值thprop，就被聚为一类；最终每个点都具有一个聚类标签，得到若干点云簇；
s1-3)候选点云簇精炼
当点云簇中点的个数小于阈值thnum时,这个点云簇就被置为背景类；
拟合过滤后的点云簇的最小外接三维包围框，并将这个包围框扩大一个固定距离，合并更多的点云给点云簇；
s2)将s1)阶段得到的若干点云簇做坐标转换和数据扩增处理，再送入语义分割的神经网络中提取点云特征，通过监督学习训练神经网络；
s2-1)数据预处理
选取每个点云簇的局部坐标系，任取其三维包围框的底部顶点作为原点，xyz轴为包围框的边，建立右手直角坐标系；将点云簇翻转并绕z轴旋转扩增，将原始数据及扩增数据一起送入神经网络；
s2-2)基于深度学习的语义分割
每个点云簇被采样到一个固定点数n，若点云数量num大于n则该点云簇被随机采样至n，若点云数量num小于n则该点云簇的部分点被重复采样直至总点数为n；
使用pointnet++网络中的点云特征提取模块，使用三层特征传播层(分别降采样至128，32,1)，两层全连接层和一层随机失活层(随机保持概率设为0.7)；
每个点的特征向量为p＝{x,y,z,i,n}，其中x,y,z为点云簇局部坐标系下每个点的坐标，i为激光雷达测量的点的反射强度，
s2-3)通过监督学习训练神经网络
采用无人驾驶场景的kittiraw数据集，采用监督学习对模型进行训练，并根据s2-1)中的方法对训练数据扩增；
使用focalloss为网络的误差，fl(pt)＝-α(1-pt)γlog(pt)；其中，pt为网络预测的每个点的类别概率，α设为0.25，γ设为2；
获取训练误差后，网络将沿梯度方向进行传播，更新网络参数，迭代至收敛。