1.一種基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，所述采用持續(xù)同調(diào)方法提取點(diǎn)云簇的拓?fù)浣Y(jié)構(gòu)信息并以持久性圖表征，計(jì)算持久性圖的wasserstein距離，包括：
3.根據(jù)權(quán)利要求1所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，所述將持久性圖的wasserstein距離和多特征融合參數(shù)輸入knn模型預(yù)測得到目標(biāo)分類結(jié)果，包括：
4.根據(jù)權(quán)利要求3所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，基于聚類得到的點(diǎn)云簇采用k折交叉驗(yàn)證方法對knn模型進(jìn)行訓(xùn)練。
5.根據(jù)權(quán)利要求1所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，預(yù)處理中的濾波包括采用閾值濾波和最大值濾波，對于三維聲吶點(diǎn)云數(shù)據(jù)經(jīng)過波束形成過程得到的波束域，通過閾值濾波去除波束域中強(qiáng)度小于過濾閾值的數(shù)據(jù)，通過最大值濾波保留波束域中每個(gè)波束方向上強(qiáng)度最高的數(shù)據(jù)。
6.根據(jù)權(quán)利要求1所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，預(yù)處理中的降采樣包括采用體素方式，將聲吶探測空間劃分為若干立方體單元，每個(gè)立方體單元作為一個(gè)體素，選取體素內(nèi)的三維聲吶點(diǎn)云數(shù)據(jù)的代表性點(diǎn)，并統(tǒng)計(jì)位于體素內(nèi)所有數(shù)據(jù)點(diǎn)的強(qiáng)度平均值，以強(qiáng)度平均值作為代表性點(diǎn)的強(qiáng)度，將所有體素內(nèi)的代表性點(diǎn)組合起來，形成降采樣后的點(diǎn)云數(shù)據(jù)。
7.根據(jù)權(quán)利要求1所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，預(yù)處理中的降噪包括采用基于歐式距離的區(qū)域自生長算法，對于經(jīng)濾波和降采樣后得到的三維聲吶點(diǎn)云數(shù)據(jù)，選取點(diǎn)云數(shù)據(jù)中曲率最小的點(diǎn)作為種子點(diǎn)，以種子點(diǎn)為中心執(zhí)行生長算法進(jìn)行擴(kuò)展，在擴(kuò)展過程搜索種子點(diǎn)的近鄰點(diǎn)，若近鄰點(diǎn)到種子點(diǎn)的歐式距離小于設(shè)定的距離閾值則將該近鄰點(diǎn)劃分為有效點(diǎn)，對于除有效點(diǎn)之外的剩余三維聲吶點(diǎn)云數(shù)據(jù)繼續(xù)迭代執(zhí)行種子點(diǎn)選取、擴(kuò)展、搜索和劃分有效點(diǎn)，最終保存所有的有效點(diǎn)作為預(yù)處理后的三維聲吶點(diǎn)云數(shù)據(jù)。
8.根據(jù)權(quán)利要求7所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，在擴(kuò)展過程中，對于經(jīng)濾波和降采樣后得到的三維聲吶點(diǎn)云數(shù)據(jù)，采用kd-tree結(jié)構(gòu)組織點(diǎn)云數(shù)據(jù)，將點(diǎn)云數(shù)據(jù)劃分為兩個(gè)集合分別作為左子樹和右子樹，采用基于歐氏距離的近鄰搜索算法基于左子樹和右子樹進(jìn)行近鄰點(diǎn)的搜索。
9.根據(jù)權(quán)利要求1所述的基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，其特征在于，聚類算法包括采用k-means++算法對預(yù)處理后的三維聲吶點(diǎn)云數(shù)據(jù)進(jìn)行聚類得到若干點(diǎn)云簇。
10.一種基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類裝置，其特征在于，包括：預(yù)處理模塊、聚類模塊、拓?fù)涮卣魈崛∧K和目標(biāo)分類模塊；