1.一种面向移动测量大体量点云数据配准的方法，其特征在于：所述方法如下:

S1:获取原始彩色点云数据，对移动测量获取的长路线点云数据进行分段；

S2:利用梯度和布料模拟滤波组合方法获取地面点云数据，得到分段后点云数据的地面点集；

S3:基于提取的地面点集坐标建立虚拟范围矩形框，对往返点云进行搜索和判断，获取存在一定重叠区域和刚性对应关系的基准点云和待配准点云；

S4:将车载往返点云数据配准划分为两个步骤：高程配准和平面配准；

S5:所述的高程配准阶段，以S2提取出的基准和待配准地面点集为源数据，使用滤波算法剔除无效噪声点，随后通过地面中心点坐标对待配准点集进行初始平移，在搜索对应邻近点时以固定区间作为改进ICP算法的邻域半径，通过中心累积函数对范围内的对应点对距离进行迭代计算，获取最优变换参数，为下一步的平面配准提供良好的初始位置；

S6: 在平面配准阶段，首先继承高程配准参数对待配准点云做初始修正，并使用下采样算法来精简点云数量；随后，在利用中心累积计算方法的同时，设计一种跟随迭代次数递减的动态范围因子参数，在减少无效邻近点对的前提下，用以获取更为准确的迭代初值，计算基准和待配准点集之间的变换矩阵，使得目标函数最小，直至满足收敛条件；

S7: 基于线性内插的思想，消除前后连续路段因高程配准参数不同而造成的微小高程差，获得连续平滑的长路段点云数据。

2.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

所述S1中具体的方法是，对大体量下车载移动测量激光点云数据进行分割，每个*.las文件自上而下以固定点数划分，对点云M的分割结果点集{M‑1，M‑2，…M‑m}和点云N的分割结果点集{N‑1，N‑2，…N‑n}中的局部点集进行划分，为后面匹配对应基准点集和待配准点集打下基础；其中，m＝1，2，3…M，m为点云A分割的段数；其中：n＝1，2，3…N，n为点云B分割的段数，通常与前者保持一致。

3.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

所述S2中梯度算法通过两点之间的空间欧式距离计算倾斜度，与所预先设置的阈值大小进行比较来判别地面点和非地面点地物类型，布料模拟滤波算法原理是将获取的激光点云进行翻转，随后用一种刚性布料遮盖倒置后的点云，根据布料节点和对应激光点之间的位置关系以生成近似的地表形状。

4.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

所述S3中具体过程如下：

针对该区域地面点的范围极值和中心点三维坐标，建立虚拟范围矩形框并以此为依据进行判别，以确保两者之间的重叠关系，快速构建对应基准点云和待配准点云之间的刚性对应关系；其中，依据时间的连续性，将时间小的一趟点云作为基准点云，匹配到的其他点云作为待配准点云。

5.根据权利要求4所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

增设地面中心点的限制条件，用以精准的获取单侧道路的往返点云。

6.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

所述S5中具体过程如下：

根据S2和S3获取到的对应基准地面点集和待配准地面点集，使用半径滤波去噪方法剔除无效离散点，在保持原地形的情况下减少输入ICP的点数；基于两个点集之间的刚体变换关系，首先考虑利用地面中心点之间的高程差值对待配准点云做初始高程平移，使待配准点集快速靠近基准点集，以加速配准过程。

7.根据权利要求1或6所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：引入k‑d tree算法用以快速查找对应点对；k‑d tree计算结果会得出对应点对之间的索引位置和空间距离，在上述获取邻近点对的基础上，限制搜索点云的空间范围，建立点云搜索时的拓扑关系；其中，依据范围内的对应点对，计算变换矩阵的方式为中心累积法；中心累积法通过计算对应点对序列之间的均值，以此获取基准和待配准地面点集的空间位置关系，并求出变换矩阵；

利用变换向量对待配准地面点集的每个点进行变换，变换后的待配准点集用表示；结合上一步得到的变换后的点集，依据原始待配准地面点集，得到点对，最终求出高程参数，计算公式；

结合车载移动测量激光点云配准的特点，基于最小二乘法原理，在高程配准阶段设置以下两个算法迭代结束条件：① 小于预先给定的误差阈值且连续两次距离均值平方和之差的绝对值小于等于前后差阈值；②大于预设的最大迭代次数；满足以上条件，停止迭代计算。

8.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

S6中具体计算过程如下：

在平面配准过程中，首先获取基准点云（S）和待配准点云（T）的完整点集数组，使用体素格网滤波器对点集进行下采样，保留特征信息并大幅度精简点云数量，下采样后的基准点云和待配准点云总点数分别为 、 ，继承地面点高程配准中获取的全局平移矩阵，首先利用该矩阵中的高程配准参数对待配准点云做初始纠正，为平面配准提供一个良好的初始位置，变换后的待配准点云用表示；

利用k‑d tree对待配准点云建立索引，用于在基准点云中快速查找相对应的最邻近点，k‑d tree计算结果会得出基准点与对应点之间的索引位置和空间距离，结合上一步得到的邻近点对序列，考虑到车载点云数据体量大、离散点多的特点，ICP平面位置配准存在效率低和精度差的问题，设计一种范围阈值用以解决此类问题；

以点的X,Y和Z三个维度为基准建立空间球体圆域，圆域中心表示待配准点的三维空间坐标，在ICP建立对应点关系时以所预设的步长单位逐次进行搜索，随着迭代次数的不断增大，相对应的有效邻近点对范围不断缩小，以确保点对序列始终保持在有效点云空间内，从而减少无效配对并提高了对应点对序列的搜索精度和效率；递减性动态范围因子的设置可以有效提高点云之间的重合率并加速迭代过程；随后利用中心累积法计算中心点对两者范围内对应点的中心点做差值，获得基准点集和待配准点集之间的变换矩阵，利用变换矩阵对待配准点集中的每个点进行平移，得到变换后的待配准点集；

依据最原始待配准点云，得到点对，使用中心累积法来计算全局平移矩阵；

基于最小二乘法原理，将预设的误差参数与当前的误差阈值进行比较，当满足迭代结束条件时，将高程配准参数和平面配准参数相结合，获取最终的三轴空间刚性变换矩阵。

9.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：

S7中具体计算过程如下：

在高程配准和平面配准的基础上，因变换参数不同，前后路段依旧存在一个微小的高度差，为了得到一个连续平滑的完整路线点云，基于线性内插等比计算的思想在连续分段的点云之间进行分配， 线性内插后，其对应的变换矩阵即为最终的变换矩阵，完成车载往返点云数据的精确配准。