1.一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，包括以下步骤：超体聚类步骤，对地面点建立邻接图关系并进行超体聚类，将获取得到的超体素中心点作为输入点；

非参聚类步骤，融合多特征MeanShift算法对超体素进行非参数化聚类；

标识提取步骤，将类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，将其中各超体素内的类别标记为道路标识线。

2.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述非参聚类步骤中，在未被标记的数据点中随机选择一个点作为中心S0；找出与S0的距离在h之内的点，记为集合M；以S0为中心点，计算从S0开始到集合M中每个元素i的向量，判断向量之和是否小于设定的阈值ε，如果为真，则终止迭代；如果为假，则选取新的中心，重复本步骤。

3.根据权利要求2所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述非参聚类步骤中，以S0为中心点，融合强度差异Dc和法向量差异Dn及各权重 利用公式(3)计算从S0开始到集合M中每个元素i的向量，其中g(x)＝-k’(x)，K(x)核函数如公式(4)所示，将这些向量相加，得到向量shift mh,G(x)，如公式(5)所示：和/或，利用公式(6)选取新的中心点：

4.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述超体聚类步骤进一步包括以下子步骤：数据配准子步骤，利用ICP方法对多帧车载激光雷达点云数据进行配准和拼接；

数据重组子步骤，利用八叉树配准和拼接后的激光雷达点云数据进行重组织，获取每个格网中心点K坐标；

区域分割子步骤，利用Kd树结构对格网中心点K进行邻近值查询，并通过设定高程增长阈值，对其进行区域生长分割，获取最大连通区域为地面类别。

5.根据权利要求4所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述数据配准子步骤进一步包括以下子步骤：步骤2.1，将不同帧激光雷达数据作为输入，并对不同帧激光雷达数据进行步骤

2.2——2.6的处理；

步骤2.2，根据点集A中的点坐标，在曲面S上搜索相应最近点点集B；

步骤2.3，计算两个点集的重心位置坐标，并进行点集中心化生成新的点集；

步骤2.4，由新的点集计算正定矩阵N，并计算N的最大特征值及其最大特征向量，由于最大特征向量等价于残差平方和最小时的旋转四元数，将四元数转换为旋转矩阵R；

步骤2.5，在旋转矩阵R被确定后，由于平移向量T仅仅是两个点集的重心差异，可以通过两个坐标系中的重心点和旋转矩阵确定；

步骤2.6，为了求解更加精确的变换关系，采用迭代算法，定义函数E，如公式(1)所示，根据精度要求，定义终止迭代条件，即E小于一个具体值时终止迭代；

步骤2.7，当某次迭代满足条件时，则终止迭代，输出最优(R,T)，否则继续重复步骤

2.2——2.6。

6.根据权利要求4所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，数据重组子步骤利用八叉树对点云数据进行重组织，具体方法为：步骤3.1，将步骤3中得到的激光雷达点云数据作为输入，对该点云数据进行步骤3.2—

3.6的处理；

步骤3.2，设定八叉树最大递归深度和节点最大存储点数；

步骤3.3，求取输入点集的最大外包，并以此外包建立第一个立方体；

步骤3.4，将该立方体细分为八等份；

步骤3.5，根据细分的八个小立方体范围，将点云数据分类分到对应立方体中；

步骤3.6，当子立方体所分配到的点数不为零且跟父立方体是一样时，或者达到最大递归深度或最大存储点数时则停止细分，否则重复步骤3.4—3.5。

7.根据权利要求4所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，区域分割子步骤基于K-d树对点云数据进行区域分割，具体为：步骤4.1，设定节点相邻高程阈值和节点中点集高程标准差阈值；

步骤4.2，将每个格网的中心点作为点集输入，利用K-d树每个节点进行k近邻搜索；

步骤4.3，对k近邻中满足阈值条件的节点类别赋为同一类，不满足条件的赋为不同类；

步骤4.4，寻找点云数据中连通性最大的类别作为地面点类别。

8.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述超体聚类步骤中利用强度信息和欧式距离，对地面点进行邻接图建立及超体聚类，具体为：步骤5.1，对步骤4中获取得到的地面点进行如步骤3所示流程建立八叉树；

步骤5.2，根据八叉树结构获取不同点团之间的邻接结构；

步骤5.3，指定晶核距离(Rseed)、粒子距离(Rvoxel)和最小晶粒(MOV)；

步骤5.4，利用相邻点之间的强度差异Dc，距离差异Ds和法向量差异Dn，给定一系列权重利用公式(2)对点之间的类似程度进行定义；

步骤5.5，将D的体素进行结晶，结晶过程如图(3)，并将过小的晶粒融合到最近的大晶粒。

9.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，点云数据的获取包括：在载体车辆顶端安装一套32线激光雷达采集系统，包括GPS、惯性测量装置和照相机，通过8字形标定的方法对系统进行标定，采集获取车载激光雷达点云数据。

10.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取系统，其特征在于，包括：超体聚类模块，对地面点建立邻接图关系并进行超体聚类，将获取得到的超体素中心点作为输入点；

非参聚类模块，融合多特征MeanShift算法对超体素进行非参数化聚类；

标识提取模块，将类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，将其中各超体素内的类别标记为道路标识线。