1.一种基于重叠区域检索与对齐的点云分割方法，其特征在于，包括以下步骤：将点云测试集输入到训练好的点云分割模型中进行点云分割，得到分割后的结果，其中点云分割模型先训练后使用，训练过程包括以下步骤：S1、获取点云数据集，将点云数据划分为训练集、验证集与测试集，其中训练集中的点云数据用来训练点云分割模型，验证集用来验证点云分割模型的泛化能力，测试集用来对点云分割模型的分割性能进行评估；

S2、将训练集中的点云进行切片，获得模型训练所需的切片点云Pn；

对点云进行切片包括：在原始点云On，n∈{0,…,N‑1}的X轴、Y轴、Z轴的每个轴上确定一个随机数randi∈[0,1),i∈{X,Y,Z}，并求得在每个轴上的原始点云On的最大值aMaxi与最小值aMini,i∈{X,Y,Z}，若点云On中任意点p满足下式：(pi‑aMini)/(aMaxi‑aMini)＞randi,i∈{X,Y,Z}，则将满足上式的点p组合成切片点云Pn，n∈{0,…,N‑1}，其中，N表示训练集中原始点云的个数；

S3、将切片点云Pn输入到点云分割模型中，使用全卷积网络对切片点云Pn与点云数据集中的所有原始点云做重叠区域检索，得到与切片点云Pn有重叠的所有原始点云，并将重叠度最大的原始点云O作为切片点云Pn的参考点云；从Pn与O的重叠区域中选择固定数量的兴趣点，使用基于特征的点云对齐算法将两个点云进行重叠区域对齐；

所述使用全卷积网络对切片点云Pn与点云数据集中的所有原始点云做重叠区域检索，得到与切片点云Pn有重叠的所有原始点云，具体包括：S31、通过Unet网络提取切片点云Pn和每个原始点云的特征，构成点云对(P,O)，其中，P表示切片点云Pn，O表示检索的最优原始点云；

S32、将点云对(P,O)输入重叠区域检测模块，在重叠区域检测模块中使用最近邻算法KNN进行重叠区域检测，输出处于重叠区域的点对集合(P′,O′)；

S33、重叠区域优化：使用重叠区域优化模块去除噪声点对，获得优化后的点对(P″,O″)；

S34、根据优化后的点对(P″,O″)求解旋转矩阵M＝[R|t]，对参考点云O进行空间变换，得到对齐后的点云 即 其中，M表示旋转矩阵，R表示旋转矩阵中的旋转量，t表示旋转矩阵中的平移量；

S4、使用最近邻算法完成点云分割；

S5、点云分割完成后，计算训练过程中的总损失，将训练过程中的总损失按照链式求导法则回传到模型中优化参数，使用随机梯度下降方法优化点云分割模型，获得最优点云分割模型，即得到训练好的点云分割模型。

2.根据权利要求1所述的一种基于重叠区域检索与对齐的点云分割方法，其特征在于，步骤S31中通过Unet网络提取切片点云Pn和每个原始点云的特征，构成点对(P,O)，具体包括以下步骤：S311、首先将切片点云Pn输入Unet网络中，通过Unet提取切片点云Pn的特征F；

S312、通过全局池化层对切片点云Pn的特征F进行处理，获得池化后的特征FP，具体表示为：FP＝MaxPool(Unet(Pn))

S313、接着使用Unet和全局池化层对原始数据集中每个原始点云On,n∈{0,…,N‑1}进行特征提取，输出原始数据集中每个原始点云对应的特征On表示第n个点云，N表示点云的个

数；

S314、根据切片点云Pn的特征FP和原始点云对应的特征 计算特征投影误差，从所有原始点云中找出与切片点云特征投影误差最小的特征FO所对应的原始点云O，该原始点云O与切片点云Pn的重叠度最大，将该原始点云O作为切片点云Pn的参考点云，Pn的参考点云与目标点云P构成点云对(P,O)。

3.根据权利要求2所述的一种基于重叠区域检索与对齐的点云分割方法，其特征在于，特征投影误差的计算表达式为：其中，D1表示原始数据集，O表示原始数据集中的点云，FP表示切片点云的特征，FO表示原始数据集中点云的特征。

4.根据权利要求1所述的一种基于重叠区域检索与对齐的点云分割方法，其特征在于，步骤S32中使用最近邻算法KNN进行重叠区域检测的计算表达式如下：FP＝Unet(P)

FO＝Unet(O)

(P′,O′)＝KNN(FP,FO)

其中，(P,O)为重叠区域检测模块的输入点云对，(P′,O′)为重叠区域检测模块的输出，表示处于重叠区域的点对集合；FP表示切片点云的特征，FO表示原始数据集中点云的特征，Unet(*)表示Unet网络的输出，KNN(*)表示最近邻算法操作。

5.根据权利要求1所述的一种基于重叠区域检索与对齐的点云分割方法，其特征在于，重叠区域优化具体包括：S331、将重叠区域检测模块获得的点对集合(P′,O′)拼接成一个n×6的矩阵，n为对应点的数目，并通过另一个Unet网络来输出一个n×1的向量，该向量中的每个值为权重，表示某点对(pi′,oi′)∈(P′,O′),i∈{0,…,n‑1}属于重叠区域的概率；

S332、定义一个超参数clip_weights，保留权重大于等于clip_weights的点对,获得优化后的点对集合(P″,O″)，(P″,O″)即真正属于重叠区域的点对集合，计算表达式为：weights＝Unet(concatence(P′,O′))其中，(P′,O′)为重叠区域检测模块输出的有噪声的点对集合，concatence(P′,O′)为拼接操作，即让点对集合按照某个轴拼到一起，clip_weight为一个超参数，用于去噪，(P″,O″)为重叠区域优化模块输出的优化后的点对集合。

6.根据权利要求1所述的一种基于重叠区域检索与对齐的点云分割方法，其特征在于，总损失包括重叠区域损失和点云对齐损失：重叠区域损失为：

其中，y是真实值，为预测值， 为一个sigmoid函数,M为重叠区域点的个数；

点云对齐损失为真实旋转矩阵[R|t]与预测 之间的欧氏距离：

其中，R表示真实的旋转变换， 表示预测的旋转变换，t表示真实的平移量，表示预测的平移量；

总损失函数L为：L＝Lregion+Laligment。