1.一种基于图神经网络的三维点云目标检测算法，其特征在于，包括以下步骤，且以下步骤顺次进行：步骤S1、获取点云数据集，划分出训练集、验证集和测试集；

步骤S2、对训练数据中的原始点云集合进行采样和聚类的预处理后，对目标点云的邻域空间构建连接边，完成点云语义图的构建；

步骤S3、将点云图输入到局部池化模块中，提取局部深层抽象特征，将特征语义图输入到图卷积模块中，通过节点之间的连接关系完成特征交互，包括特征聚合和特征更新的计算过程；

步骤S4、在图卷积操作之后，以目标点云为中心进行邻域重构，将重构语义图输入空洞图卷积模块，增大卷积感知范围，降低邻域特征噪声影响；

步骤S5、通过注意力机制计算更新后的节点特征权重，将加权特征与所述步骤S3的特征进行向量拼接，用于步骤S7的池化操作；

步骤S6、全局池化模块的构建选择最大值池化和求和池化的方法，作为对称性函数，将池化后的特征向量再进行均值池化，得到全局特征向量；

步骤S7、将步骤S5和S6得到的点云特征和图特征拼接计算后，输入到分类和定位分支，预测目标的类别，并画出3D检测框；

步骤S8、计算检测损失，以梯度下降法收敛，调整算法参数，直至损失最小，停止训练。

2.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S2点云语义图的构建流程包括：首先通过体素下采样算法，降低点云密度，保留有效信息；再通过KNN算法，遍历采样空间，确定目标点的K近邻；最后，在节点邻域空间中建立点的连接关系，构建邻接边，完成语义图构建。

3.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S2中原始点云集合为P，表示为：P＝{P1，P2，P3......Pn|(n≤N)}

其中Pi属性表示为(xi，si)，由三维空间坐标和状态属性组成，xi是点云的三维坐标(xi,3

yi,zi)∈R状态属性，在激光点云数据集下，采用激光反射强度表示；

对于给定的点云集合P，通过KNN算法捕捉到的邻域点云集合为：捕捉到的拓扑关系表示为：

e(i,j)＝{(Fi,Fj)|j∈Nk(i)}

其中，F表示邻域点云集合，e(i,j)表示连接关系，D表示空间距离度量方式，采样欧式距离计算，Max表示取最远距离，Min表示取最近距离。Fi是目标中心点，Fk是待采样点，Nk(i)代表点Fi的邻域空间，Fj代表其中的邻节点。

4.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S2结束后，对训练数据先进行下采样处理，去除部分数据噪声，降低点云密度，得到目标点云集合；采用K最邻近算法对点云集合进行计算，使用Kd‑Tree索引提高查询效率，遍历采样空间后，选取目标点云的K近邻，再进行所述步骤S3。

5.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S3中的，将特征语义图输入到图卷积模块后，图卷积计算采用消息传递网络实现，包括节点特征传递和更新两个阶段；

图卷积模块采用多层感知机完成特征映射；特征聚合函数选择最大值函数，针对点云无序性，通过求取特征最大值，实现局部置换不变性。

6.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S3中图卷积模块采用的图卷积计算方法引入点云坐标外、目标节点si和邻节点状态属性sj，得到的图卷积特征聚合表达函数和特征更新函数为：t

其中，l使用多层感知机完成特征映射，获取深层抽象特征。p选择特征聚合方式为Max，t t针对点云无序性，通过Max方法实现局部置换不变性；h (si)使用节点i的状态计算了坐标t偏移量，将h 输出设置为0时，禁用该自动配准机制；图卷积通过引入目标和邻节点状态，完成局部节点对的特征交互、聚合。

7.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S3中的节点状态信息存在大量特征噪声，采用门控循环单元作为特征更新模型，完成语义图中特征噪声的过滤，减缓模型过平滑现象，更新函数表示为：其中，z是门控信号，控制保留信息和过滤信息，目标节点t+1时刻下的状态属性取决于此时态下的聚合信息和t时刻的节点本身属性，门控单元通过权重的相互弥补实现更新状态的稳定；

图卷积模块包括三层感知机和一层门控循环单元，进行的特征维度映射表示为：[N*900]→[N*600]→[N*600]→[N*300]图卷积模块通过两次迭代，提取语义图的二阶邻域特征。

8.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S4采用KNN算法进行重构，取出目标节点的50个近邻点，然后重新计算邻域特征。

9.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S4空洞图卷积模块的空洞图卷积的膨胀率参数设置为2，随机率设置为0.2，以增强模型的鲁棒性。

10.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S8中求取损失使用的损失函数包括分类损失和定位损失：分类损失定义为平均交叉熵损失函数：

其中， 和 表示i节点的标签和预测概率；

通过Huber损失计算定位损失，在此取所有点的损失均值：为防止模型过拟合，加入L2正则化损失函数：

2 2

Reg_loss＝∑i(μixi‑Xi) +λ(μi)将三个部分的损失函数相加，得到模型全部损失计算函数：

Total_loss＝aAverage_loss+bLoc_loss+cReg_loss其中a，b，c为常量因子，采用梯度下降法迭代求解最小化的损失函数和模型参数。