1.一种基于点云补全的点云配准方法，其特征是，包括以下步骤：对源点云和目标点云执行采样，分别提取特征；

利用注意机制融合两个点云的特征，使两个点云的语义信息相互补全；

提取补全后的点云的高维特征，根据高维特征学习对方点云的位置信息，确定源点云中的每个点在目标点云中的对应点；

根据对应点，利用奇异值分解获得当前刚性变换参数，利用当前刚性变化参数实现源点云向目标点云的配准。

2.如权利要求1所述的一种基于点云补全的点云配准方法，其特征是，对源点云和目标点云执行采样的具体过程包括：分别对源点云和目标点云执行多次最远点采样，获取多个分辨率的点云，所述最远点采样包括以下步骤：（1）假设输入点云有N个点，从点云中选取一个点 作为起始点，得到采样点集合；

（2）计算所有点到 的距离，构成N维数组L，从中选择最大值对应的点作为 ，更新采样点集合 ；

（3）计算所有点到 的距离，对于每一个点 ，其距离 的距离如果小于L[i]，则更新；

（4）选取数组L中最大值对应的点作为 ，更新采样点集合 ；

（5）重复步骤（2）‑（4），直至采样数量到达目标值为止。

3.如权利要求1所述的一种基于点云补全的点云配准方法，其特征是，分别提取特征的具体过程包括：利用点云动态图卷积网络模型对每一次采样的点云进行特征提取，所述点云动态图卷积网络模型提取点的邻域范围构成计算支持域，在所述支持域内通过多层感知机和池化层提取点云的局部信息；

将每一次采样的点云提取的局部信息拼接在一起，得到潜在映射，将潜在映射和全局高维特征拼接，获得表示点云全局和局部信息的高维特征图。

4.如权利要求1所述的一种基于点云补全的点云配准方法，其特征是，利用注意机制融合两个点云的特征的具体过程包括：构建生成器以生成虚拟点，构建判别器以对虚拟点和真实点云的相似度进行判别，生成器和判别器相互博弈，利用相似度符合要求的生成器来融合两个点云的特征。

5.如权利要求4所述的一种基于点云补全的点云配准方法，其特征是，所述生成器利用Transformer模型和单独的自注意力机制分别接收并处理两个点云的高维特征；将两者得到的特征向量进行拼接并经过再塑造操作改变维度之后，生成虚拟点；

所述判别器接收生成的虚拟点或真实点云数据，提取点云的高维特征，利用两个线性层进一步提取高维特征的特征，得到接收的点云是真实点云的概率，直至输出概率达到设定值，保留此时生成器的参数。

6.如权利要求1所述的一种基于点云补全的点云配准方法，其特征是，提取补全后的点云的高维特征时，先利用前一迭代周期的刚性变换参数将补全后的点云进行转换，并分别将转换后的源点云和目标点云经过点云动态图卷积网络模型进行点云高维特征的提取。

7.如权利要求1所述的一种基于点云补全的点云配准方法，其特征是，根据高维特征学习对方点云的位置信息，确定源点云中的每个点在目标点云中的对应点的具体步骤包括：利用独立的Transformer模型接收补全后的点云的高维特征，学习对方点云的位置信息，经过Transformer模型之后获得向量 和 ，对 和 相乘并进行softmax操作，以获得源点云中的每个点在目标点云中的对应概率矩阵，所述对应点为对应概率矩阵与目标完整点云点乘结果。

8.如权利要求1所述的一种基于点云补全的点云配准方法，其特征是，利用奇异值分解获得当前刚性变换参数的具体过程包括：确定补全之后的源点云和目标点云的质心，求对应各点云偏离所述质心的协方差矩阵，对协方差矩阵执行奇异值分解，根据奇异值分解得到的结果，计算旋转矩阵和平移向量，所述当前刚性变换参数为计算得到的旋转矩阵和平移向量。

9.一种基于点云补全的点云配准系统，其特征是，包括：点云补全网络模块，被配置为对源点云和目标点云执行采样，分别提取特征，利用注意机制融合两个点云的特征，使两个点云的语义信息相互补全；

点云配准网络模块，被配置为提取补全后的点云的高维特征，根据高维特征学习对方点云的位置信息，确定源点云中的每个点在目标点云中的对应点，根据对应点，利用奇异值分解获得当前刚性变换参数，利用当前刚性变化参数实现源点云向目标点云的配准。

10.如权利要求9所述的一种基于点云补全的点云配准系统，其特征是，所述补全网络模块包括依次连接的生成器和判别器，所述生成器包括依次连接的最远点采样模块、点云动态图卷积网络模型模块、Transformer模型模块、拼接模块和再塑造模块；

所述Transformer模型模块与一单独的自注意力机制模块并联；

所述判别器包括依次连接的特征提取模块、两个线性层和判别模块；

所述点云配准网络模块包括依次连接的点云动态图卷积网络模型模块、Transformer模型模块、softmax函数模块和奇异值分解模块。