1.一种多视角三维指纹粗配准方法，其特征在于，包括如下步骤：

1)读取两组不同视角的三维指纹数据，分别作为源指纹和目标指纹；每组数据包含一帧点云数据和对应同步拍摄的二维指纹图像；对两幅二维指纹图像进行预处理；

2)对两幅预处理后的二维指纹图像提取特征点，并进行特征描述；

3)对两组特征点信息进行模糊匹配，获得初始模糊匹配对；

4)使用不同特征点对之间的几何位置关系对模糊匹配对进行双重匹配验证，滤除错误的匹配点对；包括如下步骤：(41)利用初始匹配点对之间的相互位置关系进行进一步的匹配验证；对每对特征点定义一个得分，并初始化为0；

(42)特征点对 和 (p≠q)是两对匹配特征点对，对该匹配点对进行第一重验证，计算 和 之间的距离记为d1， 和 之间的距离记为d2；计算特征点的方向和点 与 连线的夹角记为 特征点 的方向和点 与 连线的夹角记为计算特征点 的方向和点 与 连线的夹角记为 特征点 的方向和点 与连线的夹角记为

(43)设置阈值Td,Tα,当满足距离差和角度差都低于阈值Tα,Tα时，即则两对特征点对通过第一重验证，各自加一分，否则不加分；

(44)当两对特征点对通过第一次验证各加一分后，遍历剩余匹配对中的每一组点对，将点对作为第三对匹配点对 (r≠p≠q)加入，与前两组匹配点对形成三角几何关系，进行第二重验证，计算 与 之间的夹角记为 与 之间的夹角记为 分别计算 与 之间的距离记为 与 之间的距离记为

(45)设置阈值Tdr，Tαr当距离和角度满足以下条件时，即

则三对特征点通过第二重验证，各自加一分，否则不加分；

(46)针对所有特征点对执行完以上操作后，挑选出分数为前三的特征点对保留下来，作为正确匹配的特征点对，删除其余错误匹配的特征点对，得到最终的matched集合；

5)根据匹配的二维特征点对找到对应的源三维指纹点云数据和目标三维指纹点云数据的三维点云特征点对，进行粗配准，得到初始变换矩阵。

2.根据权利要求1所述的多视角三维指纹粗配准方法，其特征在于，所述步骤1)包括如下步骤：(11)读取两幅二维指纹图像，并增强得到脊谷分明的二值化指纹图和对应的指纹前景掩模图；

(12)由于拍摄的影响，增强得到的指纹图像边缘区域质量较差，因此通过腐蚀操作腐蚀前景掩模图像边缘区域，最后使用掩模图像过滤增强指纹边缘区域；

(13)计算两幅二值化指纹增强图像的方向图，并细化得到源指纹细化图和目标指纹细化图；

3.根据权利要求2所述的多视角三维指纹粗配准方法，其特征在于，所述步骤2)包括如下步骤：(21)对源指纹细化图和目标指纹细化图提取端点、分叉点、核心点作为特征点，得到特征点的二维坐标，根据指纹图像的方向图和特征点二维坐标计算特征点的方向场，得到的初始特征点信息为(x,y,T,θ)，(x,y)为特征点的坐标，T为特征点类型，包括端点、分叉点、核心点，θ为特征点的方向；

(22)源二维指纹M提取到的特征点集合为FM＝{fm1,fm2,…,fmm},目标二维指纹N提取到的特征点集合为FN＝{fn1,fn2,…,fnn}；

(23)针对特征点集合FM和FN中除核心点之外的每一个细节点，计算该细节点到特征集合中核心点之间跨越的脊线数，具体计算步骤如下：(231)核心点C坐标为(xC,yC)，特征点P坐标为(xP,yP)，根据以下方程组计算经过点C和点P直线的斜率k和截距b：(232)分别计算核心点C与特征点P的水平距离dx和垂直距离dy，当dx>dy时，记录核心点C和特征点P所在直线经过像素点的x值，根据斜率k和截距b计算对应的y值；反之记录经过像素点的y值，根据斜率k和截距b计算对应的x值，最终确定核心点C到特征点P所在直线经过的像素点集；

(233)结合二维指纹图像信息，记录像素点集中每个像素点的灰度值，图像中位于脊线上的像素点灰度值为1，位于谷线上的像素点灰度值为0，遍历每一个像素点，如果该像素点的灰度值为1且下一个像素点的灰度值为0，则认为该点为脊线到谷线的突变点，为了增加计算脊线数的准确性，设定脊线之间宽度的阈值为4，如果该突变点满足与上一个突变点之间的距离大于脊线之间宽度的阈值，则跨越的脊线数加一；

(234)将计算得到的跨越脊线数记录在特征点信息中，特征点信息扩增为(x,y,T,θ,N),N代表细节点到核心点之间跨越脊线数；

(24)针对特征点集合FM和FN中除核心点之外的每一个细节点，分别计算细节点与其所在块的八邻域块的方向差，将细节点方向指向的邻域块作为起始块，按顺时针方向依次计算每个邻域块与细节点所在块的方向差，最终得到八个方向差θ1‑θ8，并记录到特征点信息中，特征点信息扩增为(x,y,T,θ,N,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8)。

4.根据权利要求3所述的多视角三维指纹粗配准方法，其特征在于，所述步骤3)包括如下步骤：(31)对于特征点集合FM中除核心点外的每一个细节点

遍历特征点集合FN中的细节点fn,寻找与该细节点匹配的特征点，匹配过程如下：(311)计算fm、fn与相应核心点跨越脊线数之差S1，计算公式如下：(312)计算fm、fn八邻域块的方向差的欧氏距离S2，计算公式如下：(313)根据经验值设置脊线数之差的阈值threshold_ridge为2，方向差的欧氏距离的阈值threshold_ori为0.3，针对源指纹图像中的特征点fm,从FN中选出所有能满足S1

(32)源指纹核心点和目标指纹核心点默认是互相匹配的特征点，因此在集合matched加上两个指纹核心点的信息，得到初始的特征点集合FM和FN中匹配的特征点对集合:其中：

(33)对特征点对进行初步筛选，针对集合matched中的每一个匹配点对，查找整个集合中是否存在相同 坐标的匹配点对；如果存在，则证明FN中存在特征点与FM中的多个特征点相匹配，将重复匹配的所有匹配点对中方向差的欧氏距离Si2最小的三个匹配点对作为初步正确匹配的模糊匹配点对，其余特征点对删除；

(34)综上，得到源二维指纹和目标二维指纹初始的模糊匹配点对集合matched。

5.根据权利要求4所述的多视角三维指纹粗配准方法，其特征在于，所述步骤5)包括如下步骤：(51)根据集合matched中匹配的二维点对坐标，在对应的三维指纹上得到匹配的三维点对；

(52)根据三维匹配点对，计算刚体变换参数R0、T0，其中R0为3×3的旋转矩阵，T0＝[tx,Tty,tz] 为平移向量,R0、T0为两个三维指纹粗配准的初始变换关系，完成源三维指纹和目标三维指纹的粗配准。