1.一种基于局部特征增强和条件随机场的点云分割方法，其特征在于，包括以下步骤：将数据集输入训练好的点云分割网络模型中进行分割，得到分割结果，点云分割网络模型先训练后使用，其训练过程包括：

S1、将训练集输入到点云分割网络模型中，经处理后点云分割网络模型输出预测的标签图；

S2、真实标签做监督，根据真实标签和预测的标签图计算交叉熵损失函数；

S3、迭代多次，采用随机梯度下降算法优化损失函数，最终得到训练好的点云分割网络模型；

所述点云分割网络模型包括ESA层、特征传递层FP和条件随机场，其中ESA层为多层，用于学习特征；特征传递层为多层，用于还原每个点的特征，得到每个点的标签图；条件随机场在网络最后一层之后，用于优化每个点的标签图，即优化模型结果；

ESA层为特征学习模块，包括采样层、组合层和特征层，在组合层和特征层之间还设置有特征增强层；

(1)采样层：采用最远点采样算法从输入的点云中采样，得到采样后的子集后将其输入到组合层；采样层采用最远点采样算法进行采样可以很好的保留点云的几何特征，数学表示为：

P′＝FPS(P)

其中，P′表示最远点采样后得到的子集，FPS为最远点采样算法，P表示输入的点云，P＝{p0,p1,…,pN‑1}，其中N为点云的数目，大小为N×D，D为点云的维度；

(2)组合层：对于采样层的输出P′，将P′中的每个点p′i作为重心点，使用最近邻KNN算法找到重心点p′i的K个近邻点，将p′i的K个近邻点作为p′i的局部相关点Fi，数学表示为：Fi＝KNN(p′i),i∈[0,M)其中，Fi表示p′i的局部相关点，KNN为最近邻算法，P′表示最远点采样后得到的子集，M表示最远点采样算法的采样点数量；

以此类推找到每个重心点的K个近邻点，最终得到每个重心点的局部相关点F，大小为M×(D×K)；

(3)特征增强层：采用多层感知机MLP编码空间信息作为邻居点 对重心点p′i的影响权重 根据不同邻居节点对重心点的影响权重对重心点进行特征增强，得到特征增强后的特征F′，将F′送入特征层；

所述使用多层感知机MLP编码空间信息作为 对p′i的影响权重 表达式如下：其中，MLP()为多层感知机操作； 表示重心点p′i与邻居点 之间的空间信息：其中 为拼接符号，||·||为欧氏距离操作符；

得到每个邻居点对重心点p′i的影响权重后，再将每个邻居点 与其对应的邻居点的影响权重 做点乘操作，得到点乘结果 对所有点乘结果进行求和，得到求和结果，再将求和结果与原重心点p′i拼接，得到重心点p′i特征增强后的特征p″i；数学表述如下：

其中，Σ为求和符号；

通过对每个重心点p′i进行上述操作，最终得到所有重心点的增强后的特征F′,将F′送入特征层；F′的大小为M×(2×D)，数学表示为：(4)特征层：使用PointNet来实现特征学习，获得输出特征结果Fout。

2.根据权利要求1所述的一种基于局部特征增强和条件随机场的点云分割方法，其特征在于，特征传递层通过插值的方法来恢复每个点的特征，输出每个点的标签图

3.根据权利要求1所述的一种基于局部特征增强和条件随机场的点云分割方法，其特征在于，条件随机场的输入为特征传递层输出的每个点的标签图 条件随机场通过最小化单个点的势能和点对之间的势能来改善网络性能，获得优化后的标签图

4.根据权利要求3所述的一种基于局部特征增强和条件随机场的点云分割方法，其特征在于，将特征传递层预测产生的每个点的标签图 和初始点云的输入坐标pi来作为能量惩罚项：

E1(ci)＝‑log(ci),.

其中σα，σβ，σγ是超参数，E(c)表示条件随机场的总体能量项，其中，ci为第i个点的标签，E1为单点势能，E1(ci)表示为点i添加标签ci所需的代价，E2为点对势能，E2(ci,cj,pi,pj)表示临近点i和j分别加上标签ci,cj所需的代价，pi,pj分别表示临近点i和j的坐标，μ(ci,cj)表示符号函数。

5.根据权利要求1所述的一种基于局部特征增强和条件随机场的点云分割方法，其特征在于，交叉熵损失函数为：

其中，L表示交叉熵损失函数， 为模型预测的标签，yi为真实的标签，argmax(.)求概率最大的标签对应的类别，Si表示归一化后的概率分布，c′i表示优化后的标签图 中的第i个标签，c′j表示优化后的标签图 中的第j个标签。