1.一种基于重叠区域对齐的三维点云分割方法，其特征在于，包括以下步骤：确定需要进行分割的点云重叠区域对齐模型，并选择和构建该模型的点云数据集；

对点云数据集中的点云进行区域化操作，生成点云数据对，即对于一个点云O，随机选择一个坐标轴a，并求得在该坐标轴下原始点云O的最大值aMax与最小值aMin，确定随机数rand∈[0,1]，将点云O中点o在坐标轴a上满足(o‑aMin)/(aMax‑aMin)>rand的点组成区域化的点云P，点云P和点云O组成一组点云数据对，记为(P,O)；

构建基于重叠区域对齐的点云分割模型；包括以下步骤：

构建重叠区域检测模块，通过Unet网络提取每个点云的特征，并利用最近邻算法检测点云数据对的重叠区域，包括：FP＝Unet(P)

FO＝Unet(O)

(P′,O′)＝KNN(FP,FO)

其中，FP为点云P的特征；FO为点云O的特征；(P′,O′)为重叠区域检测获得的点对；KNN(FP,FO)为从特征FO中使用最近邻算法找出FP中任意点特征的最近邻点；

构建重叠区域优化模块，在该模块中计算点云数据对的权重，并保留权重大于clip_weights的点云数据对；

构建重叠区域对齐模块，将优化后的点云数据对输入自动编码器获得特征F″P、F″O，基于获得的特征根据通过最小化投影误差的方法求解用于完成对齐的旋转矩阵；具体包括：通过一个自动编码器获得特征F″P,F″O，通过最小化特征F″P,F″O的投影误差的方法来求解旋转矩阵，求解过程表示为：其中，F″(R*O+t)为点云O乘以旋转矩阵之后的提取的特征； 表示求欧氏距离；M为旋转矩阵；

构建点云分割模块，通过最近邻算法将点云数据对(P,O)中的点云O中的标签传递到点云P中，即点云P中的点p的标签为点云O中最近邻点o的标签，完成点云分割；

设置基于重叠区域对齐的点云分割模型的损失函数计算点云数据对重叠区域估计产生的误差，以及点云数据对之间对齐的旋转误差；

利用点云数据对对模型进行训练，在训练过程中使用随机梯度下降来优化模型预测输出与真实标签的误差，得到分割模型；

对获取的原始点云数据进行块划分，将划分后的数据和原始点云组成点云数据对输入分割模型，即可得到分割结果。

2.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，通过Unet网络提取每个点云的特征时，将N×D的点云作为Unet网络的输入，该网络中有四个卷积层和四个反卷积层，将Unet网络的输入输入到第一卷积层，其中第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层，且第一卷积层与第三反卷积层跳跃连接、第二卷积层与第二反卷积层跳跃连接、第三卷积层与第一反卷积层跳跃连接，第四反卷积层的输出即为Unet网络提取的点云的特征，其中N为点云中点的个数，D为点的维度数。

3.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，当D＝3时，点的维度数对应XYZ空间坐标；当D＝6时，点的维度数对应XYZ空间坐标和RGB颜色通道。

4.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，将点云O中的标签传递到点云P中的过程表示为：(p,o)＝KNN(p,O)；

L(p)＝L(o)；

其中，(p,o)表示p的最近邻点o；KNN(p,O)表示从点云O中找点p的最近邻点；L(.)为标签函数。

5.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，最近邻算法中，若点云P中包括N个点，点云Q中包括M个点，计算点云P中的点p与点云Q中的点q2

之间的距离，并将与点p距离最小的点q即为点p的最近邻点，表示为：minq∈Q||p‑q|| ，其中，2

|| ||表示求欧氏距离。

6.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，对基于重叠区域对齐的点云分割模型进行训练时，其损失函数表示为：L＝Lregion+Laligment

其中，y是真实值，为预测值， 为一个sigmoid函数,N为重叠区域点的个数；Lregion为重叠区域优化产生的误差；Laligment为重叠区域对齐产生的误差；R为真实的旋转值；为预测的旋转值；t为真实的平移值；为预测的平移值。