1.一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，包括：参数获取步骤，对全波形数据进行高斯分解以获取回波参数，并对回波参数进行优化；

特征提取步骤，通过设置不同的几何邻域提取点云特征，并利用优化后的所述回波参数获取波形特征；

特征融合步骤，融合所述点云特征和波形特征得到融合特征，使用ReliefF算法对融合特征进行重要性评价；

地物分类步骤，选择评价靠前的融合特征进行地物分类。

2.根据权利要求1所述的一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述特征融合步骤中，使用ReliefF算法对融合特征进行重要性评价包括：随机选择一个训练实例样本R，在样本R的同类样本中寻找K近邻样本H，在样本R的非同类样本中寻找K近邻样本M，其中K为正整数；

若样本R与样本H在某个融合特征上的距离大于样本R与样本M在该融合特征上的距离，则增强该融合特征的权重，否则，降低该融合特征的权重；

对计算权重后的各融合特征进行排序。

3.根据权利要求1所述的一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述参数获取步骤中，高斯分解的具体步骤如下：对全波形数据求一阶导数，并确定其零交叉点的个数以作为回波分量的数量。

对全波形数据求二阶导数，并确定其拐点的位置，计算高斯分量的回波参数；

利用LM算法对各回波参数初值进行优化，使得残差平方和小于预先设置的阈值。

4.根据权利要求1所述的一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述特征提取步骤中，点云特征的提取包括：使用格网邻域对机载激光雷达点云数据提取对建筑物有较好区分效果的特征阶跃数；

基于圆柱邻域对机载激光雷达点云数据提取高程相关特征；

基于球体邻域对机载激光雷达点云数据提取密度相关特征。

5.根据权利要求1所述的一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述地物分类步骤中，分析不同特征组合对地物分类效果的影响并利用随机森林分类器进行地物分类，包括以下步骤：根据特征重要性排序结果，选取其中符合需求的特征组合；

使用训练样本数据对随机森林分类器进行训练；

使用训练好的随机森林分类器对融合点云特征与波形特征的实验数据进行分类，获取每个激光点的类别；

评价不同特征组合进行地物分类的精度变化，分析加入不同特征对各地物类型分类效果的影响。

6.根据权利要求1所述的一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，还包括：全波形预处理步骤，用于去除全波形数据噪声，具体为：计算原始波形中前后各预设范围内的数据平均值，并根据3σ原则设置噪声阈值，去除背景噪声。

使用预设大小的窗口的高斯函数对数据进行平滑滤波，去除波形中的随机噪声。

7.根据权利要求1所述的一种基特征选择的全波形机载激光雷达地物分类方法，其特征在于，所述全波形数据的获取包括：在航飞载体上搭载一套全波形激光雷达系统；

根据制定好的飞行方案，对测区进行航飞；

根据全波形机载激光雷达数据生成理论模型得到机载激光雷达点云数据和配套全波形数据。

8.一种基特征选择的全波形机载激光雷达地物分类系统，其特征在于，包括：参数获取模块，用于对全波形数据进行高斯分解以获取回波参数，并对回波参数进行优化；

特征提取模块，用于通过设置不同的几何邻域提取点云特征，并利用优化后的所述回波参数获取波形特征；

特征融合模块，用于融合所述点云特征和波形特征得到融合特征，使用ReliefF算法对融合特征进行重要性评价；

地物分类模块，用于选择评价靠前的融合特征进行地物分类。

9.根据权利要求8所述的一种基特征选择的全波形机载激光雷达地物分类系统，其特征在于，所述特征融合模块中，使用ReliefF算法对融合特征进行重要性评价包括：随机选择一个训练实例样本R，在样本R的同类样本中寻找K近邻样本H，在样本R的非同类样本中寻找K近邻样本M，其中K为正整数；

若样本R与样本H在某个融合特征上的距离大于样本R与样本M在该融合特征上的距离，则增强该融合特征的权重，否则，降低该融合特征的权重；

对高速权重后的各融合特征进行排序。

10.根据权利要求8所述的一种基特征选择的全波形机载激光雷达地物分类系统，其特征在于，所述参数获取模块中，高斯分解的具体步骤如下：对全波形数据求一阶导数，并确定其零交叉点的个数以作为回波分量的数量。

对全波形数据求二阶导数，并确定其拐点的位置，计算高斯分量的回波参数；

利用LM算法对各回波参数初值进行优化，使得残差平方和小于预先设置的阈值。