1.一种结合深度学习和轮廓点云重建的目标位姿估计方法，其特征在于，包括以下步骤：S1、对双目摄像机进行标定并立体校正，选取多种目标作为分析对象，通过YOLOv4网络训练多种目标，建立多种目标检测网络模型；

S2、使用训练得到的目标检测网络模型识别出左、右摄像机图像中的目标，并得到目标的边界区域；

S3、对左右摄像机图像中检测的目标的边界区域使用LSD算法进行直线段检测；

S4、结合深度学习目标检测网络的输出的类别、边界区域和多约束的方法对直线段进行匹配；

S5、重建目标的轮廓点云；

S6、使用点云配准的方法对目标进行位姿估计；

步骤S3包括：

S31、取出所有直线段的端点，把欧式距离小于设定阈值d的端点归为同一组；

S32、针对具体的任一组端点，如果该组中端点个数大于等于2，则将该组端点合并为同一点，记为Pr，Pr计算如下：其中，Pi为当前组中任意两端点分别所属直线段延长线的交点，n为组中端点的个数，表示从n个端点中任取2个端点的组合数；

S33、使用Pr作为该组端点所在直线段的公共端点，得到优化重构后的直线段；

所述步骤S4包括：

S41、计算所有优化重构后的直线段的长度s，以及直线段与图像横轴正方向的夹角θ；

S42、对左摄像机图像中的某一条待匹配直线段ll，记录其所属的目标边界区域Rectl，然后在右摄像机图像中找到相同目标的边界区域Rectr，取出Rectr中的所有直线段，记为直线段集合Lr；

S43、在直线段集合Lr中剔除中点横坐标大于ll中点横坐标的直线段，得到新的直线段集合L′r；

S44、计算ll与集合L'r中每条直线段lr(lr∈Lr)的水平误差Ee、长度误差Es和角度误差Eθ：其中，yls、yrs分别为ll和lr的起始端点的纵坐标，yle、yre分别为ll和lr的终止端点的纵坐标；sl、sr分别为直线段ll和lr的长度；θl、θr分别为直线段ll和lr与图像横轴正方向的夹角；

S45、将Ee，Es，Eθ按照E＝[Ee Es Eθ]的形式拼接成一个匹配误差向量E，对E中的每一个值进行归一化；

S46、计算直线段ll与集合Lr中的每条直线段的匹配误差值Etotal：取Etotal值最小的直线段作为ll的匹配直线段；

所述步骤S5包括：

S51、设左、右摄像机图像中匹配直线段起始端点、终止端点分别为pls(uls,vls)、ple(ule,vle)和prs(urs,vrs)、pre(ure,vre)，将pls(uls,vls)和prs(urs,vrs)的uls、urs、vls值分别代入式(4)的ul、ur、vl重建出三维空间直线段的起始端点Ps(xs,ys,zs)；再将ple(ule,vle)和pre(ure,vre)的ule、ure、vle值分别代入式(4)的ul、ur、vl重建出三维空间直线段的终止端点Pe(xe,ye,ze)：其中，ul、ur为待重建点分别在左、右摄像机图像中的横坐标，vl为待重建点在左摄像机图像中的纵坐标，b是双目摄像机的基线距离，(u0,v0)是左摄像机光轴中心的坐标值，f是两摄像机的焦距，(Xc,Yc,Zc)为重建出的点在左摄像机坐标系下的三维坐标；

S52、根据重建出的两个三维端点Ps和Pe计算其所表示的空间直线方程L(x,y,z)，计算公式为：直线L(x,y,z)的方向向量为n(xe‑xs,ye‑ys,ze‑zs)，再进行单位化后为nunit(xunit,yunit,zunit)；

S53、代入三维空间直线段起始端点Ps(xs,ys,zs)至式(6)的(xi‑1,yi‑1,zi‑1)，然后逐步迭代至终止端点Pe(xe,ye,ze)生成该空间直线段的点云：其中，(xi,yi,zi)为迭代过程中当前点的坐标，(xi‑1,yi‑1,zi‑1)为前一点的坐标，ΔS为预先设定的迭代步长，也即离散出的三维点云中相邻点之间的空间距离；

S54、生成所有匹配直线段的点云，得到目标的轮廓点云。

2.如权利要求1所述的结合深度学习和轮廓点云重建的目标位姿估计方法，其特征在于，所述步骤S6包括：S61、在离线状态下，使用CAD生成待检测目标的完整轮廓点云作为模板点云，并计算其快速点特征直方图(FPFH)；

S62、将步骤S61生成的模板点云作为源点云P，将重建出的目标的轮廓点云作为目标点云Q，计算目标点云Q的FPFH；

S63、在源点云P中随机选取k个采样点，k取大于3的整数，然后在目标点云Q中查找和采样点具有相似FPFH的多个点，然后随机选取一个作为采样点的对应点；

S64、计算这些点对应的变换矩阵，接着采用Huber罚函数计算变换误差，Huber罚函数记为 其中H(ei)计算公式如下：式中：te为预先设定的值，ei表示经过变换后的第i个点对的距离差；

S65、重复执行步骤S63和S64直至达到预设的迭代次数，最后取使得变换误差最小的变换矩阵作为初始变换矩阵；

S66、将初始变换矩阵作用于源点云P，得到新的源点云P'；

S67、对新的源点云P'中的每一点，在目标点云Q中寻找欧式距离最近的点作为对应点，然后计算变换矩阵和对应的误差E(R,T)：其中E(R,T)表示新的源点云P'在变换矩阵(R,T)下与目标点云Q之间的误差；pi和qi分别为源点云P'和目标点云Q中各个点的坐标；

S68、将步骤S67求得的变换矩阵作用于源点云P'，得到新的源点云P”，计算P”和目标点云Q的误差E(R,T)；

S69、重复执行步骤S67和S68，直到E(R,T)或迭代次数满足设定的条件，最终求解出两点云之间的旋转平移矩阵，然后将其分解为三维坐标和三维旋转向量，即为目标的位姿。