1.一种无人车障碍物识别方法，其特征在于，所述方法包括：

采用无人车配备的激光雷达传感器实时获取周围的点云数据，对点云数据进行噪声过滤和下采样，计算点云数据中每个点的法向量和局部点云密度；

对于每个目标点，计算目标点与邻域点法线的夹角，通过法线夹角计算邻域点的法线一致性权重，并根据局部点云密度计算邻域点的统计滤波权重，将法线一致性权重和统计滤波权重的乘积作为邻域点的权重；利用邻域点的权重和邻域点的简单点特征直方图以及目标点的简单点特征直方图计算目标点的快速点特征直方图；

通过点云中点的位置和快速点特征直方图对点云分割，利用分类器根据每个分割区域的快速点特征直方图对分割区域进行分类，并确定障碍物的类型和距离。

2.如权利要求1所述的方法，其特征在于，所述通过点云中点的位置和快速点特征直方图对点云分割，具体为：将每个点的位置坐标与快速点特征直方图分别归一化后进行特征融合，采用聚类方法或者机器学习方法根据融合特征对点云进行聚类，聚类后每个簇为一个分割区域。

3.如权利要求1所述的方法，其特征在于，所述利用分类器根据每个分割区域的快速点特征直方图对分割区域进行分类，并确定障碍物的类型和距离，具体为：对每个分割区域的快速点特征直方图进行聚类，获取每个簇的平均快速点特征直方图；

将分割区域所有簇的平均快速点特征直方图输入到分类器中得到障碍物的概率以及障碍物的类型；

获取概率大于阈值的分割区域，并利用点云计算分割区域中距离无人车当前距离最近的多个点到无人车的距离平均值，将所述距离平均值作为障碍物到无人车的距离。

4.如权利要求1所述的方法，其特征在于，所述通过法线夹角计算邻域点的法线一致性权重，具体为：获取无人车运行中采集的点云数据集，统计点云数据集中任何两个点之间法线夹角的标准差；

将标准差和调节系数的乘积作为高斯函数的标准差，将法线夹角输入到高斯函数中得到法线一致性权重。

5.如权利要求1所述的方法，其特征在于，所述根据局部点云密度计算邻域点的统计滤波权重，具体为：获取密度阈值，计算邻域点的局部点云密度与密度阈值的比值，若比值大于1，则统计滤波权重为1，若比值小于1，则统计滤波权重为所述比值。

6.一种无人车障碍物识别系统，其特征在于，所述系统包括：

点云预处理模块，采用无人车配备的激光雷达传感器实时获取周围的点云数据，对点云数据进行噪声过滤和下采样，计算点云数据中每个点的法向量和局部点云密度；

特征计算模块，用于对于每个目标点，计算目标点与邻域点法线的夹角，通过法线夹角计算邻域点的法线一致性权重，并根据局部点云密度计算邻域点的统计滤波权重，将法线一致性权重和统计滤波权重的乘积作为邻域点的权重；利用邻域点的权重和邻域点的简单点特征直方图以及目标点的简单点特征直方图计算目标点的快速点特征直方图；

障碍物识别模块，用于通过点云中点的位置和快速点特征直方图对点云分割，利用分类器根据每个分割区域的快速点特征直方图对分割区域进行分类，并确定障碍物的类型和距离。

7.如权利要求6所述的系统，其特征在于，所述通过点云中点的位置和快速点特征直方图对点云分割，具体为：将每个点的位置坐标与快速点特征直方图分别归一化后进行特征融合，采用聚类方法或者机器学习方法根据融合特征对点云进行聚类，聚类后每个簇为一个分割区域。

8.如权利要求6所述的系统，其特征在于，所述利用分类器根据每个分割区域的快速点特征直方图对分割区域进行分类，并确定障碍物的类型和距离，具体为：对每个分割区域的快速点特征直方图进行聚类，获取每个簇的平均快速点特征直方图；

将分割区域所有簇的平均快速点特征直方图输入到分类器中得到障碍物的概率以及障碍物的类型；

获取概率大于阈值的分割区域，并利用点云计算分割区域中距离无人车当前距离最近的多个点到无人车的距离平均值，将所述距离平均值作为障碍物到无人车的距离。

9.如权利要求6所述的系统，其特征在于，所述通过法线夹角计算邻域点的法线一致性权重，具体为：获取无人车运行中采集的点云数据集，统计点云数据集中任何两个点之间法线夹角的标准差；

将标准差和调节系数的乘积作为高斯函数的标准差，将法线夹角输入到高斯函数中得到法线一致性权重。

10.如权利要求6所述的系统，其特征在于，所述根据局部点云密度计算邻域点的统计滤波权重，具体为：获取密度阈值，计算邻域点的局部点云密度与密度阈值的比值，若比值大于1，则统计滤波权重为1，若比值小于1，则统计滤波权重为所述比值。