1.一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：包括如下步骤：步骤1：获取目标场景的初始点云；

步骤2：基于初始点云数据和子流型卷积神经网络，利用子流型稀疏卷积进行局部特征提取，获取目标点云局部特征；

步骤3：将子流型卷积网络的输出作为两个相同的MLP网络的输入；

步骤4：将步骤3中第一个MLP网络输出到交叉熵损失函数，记作通道1中的交叉熵损失函数L；

步骤5：将步骤3中第二个MLP网络输出到两个基于注意力机制的图卷积神经网络，最后输出到平方误差损失函数，记作通道2中的图卷积网络的平方误差损失函数Egcn；另外将步骤3中第二个MLP网络不经图卷积神经网络直接输出到平方误差损失函数，记作通道3中的平方误差损失函数E；

步骤6：选用交叉熵损失函数和平方误差损失函数之和作为网络模型总损失函数T，根据总损失函数T值的大小，进行网络模型的反向训练,网络模型总损失函数T公式如下：T＝L+Egcn+E，

其中，T为网络模型总损失函数，L为通道1中的交叉熵损失函数，Egcn为通道2中的图卷积网络的平方误差损失函数，E为通道3中的平方误差损失函数。

2.根据权利要求1所述的一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：在步骤1中获取点云数据的目标场景为室外场景或室内场景，通过单目成像系统或者双目成像系统获取目标场景的初始点云数据。

3.根据权利要求2所述的一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：所述步骤2中获取目标点云局部特征具体步骤为：先将原始点云中非零的位置信息和层次特征同哈希表和矩阵存储起来，称其为活动站点，矩阵的行用来记录活动点的位置，每一行存放一个活动点的特征值，执行下面操作：其中，yk表示目标点局部特征，input(xi)表示输入，K(xk,xi)表示卷积核，VSC表示进行局部特征提取的操作。

4.根据权利要求3所述的一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：所述VSC的具体操作分为两个部分：第一部分：初始化：计算每个点的初始特征矩阵和哈希表，输入特征矩阵的每一行记录活动点的位置，每一行存放一个活动点的特征值；哈希表包含全部活动站点的位置信息、行映射，位置是整数坐标的元组，行号表示特征矩阵中对应的行；

第二部分：动态计算：动态创建并输出矩阵和哈希表格，并在每次卷积操作时创建规则表，具体步骤如下：

第一步：对输入进行padding填充，padding大小由卷积核尺寸决定，padding＝(f‑1)/

2，f代表卷积核的尺寸；

第二步：将输出矩阵的值置0，在规则表中找到输入的索引和输出的索引对，并且从输入矩阵中得到输入行的位置和特征值，输入矩阵中每一行对应一个点，大小为1m，和大小为m×n的卷积核相乘，得到大小为1n的输出值并写入输出矩阵；

第三步：计算活动站点和舍弃非活动站点，当输出最中间的点是活动站点，那么这个输出就是活动站点，反之就是非活动站点，对其进行舍弃；子流稀疏卷积还包括强制清零功能，稀疏卷积输出尺寸会越来越大，原本0值的地方会受有值区域的影响而卷积出非零值，为了保持原有特征的稀疏性，把之前是0的位置强制清零。

5.根据权利要求4所述的一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：所述步骤3中将子流型卷积网络的输出作为两个相同MLP网络的输入，MLP为多个感知器构建而成的神经网络，每一层的感知器和下一层的感知器互相连接，MLP由输入层、输出层和多个隐藏层组成，MLP是由多个非线性以及线性激活函数组成的混合函数，MLP用下式表示：

F(x)＝s·ωn(x)·σn‑1…ω1(x)，式中，ωn(x),ωn‑1(x),,ω1(x)表示全连接层，σn‑1表示激活函数，s表示softmax函数，其中全连接层位于卷积神经网络的最后层，被看作是一个1×1卷积核，给出最后的分类识别结果。

6.根据权利要求5所述的一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：所述步骤4中通道1中的交叉熵损失函数L的公式如下：式中，为预测输出值，y为真实值，L为交叉熵损失函数。

7.根据权利要求6所述的一种基于子流型稀疏卷积的三维目标点云识别的方法，其特征在于：所述步骤5中的通道2中的图卷积网络的平方误差损失函数Egcn和通道3中的平方误差损失函数E，采用了加入组稀疏约束的平方误差损失函数 以期望得到稀疏卷积核，具体公式如下：

式中，E为经典卷积神经网络的损失函数，λ是正则化参数，控制着训练数据上网络的最小化拟合的程度，当λ＝0时，上式为经典卷积神经网络算法， 表示第l层第j个特征图与前一层第i个特征图连接的卷积核模板中第(uv)个元素。