1.一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，步骤如下：通过网络构架令源点云为P和目标点云为Q；

通过特征提取模块，得到特征描述子

让源点云初始特征FP和目标点云初始特征FQ分别学习对方的结构信息，进而得到源点′ ′云学习特征FP和目标点云学习特征FQ；

通过对关键点进行筛选，得到关键点源点云p＝{x1,x2,…,xm}和目标点云q＝{y1,′ ′ ′y2,…,ym}以及对应的点源点云特征集fP和目标点云特征集f Q，并通过点源点云特征集fP′和目标点云特征集fQ和构件特性描述T(i,j)；

采用二维卷积获取每个点对应的相似性分数，获得最终的相似性矩阵S(i,j)；

对S的每行取最大值获得初始匹配对C，构建长度一致性矩阵βij，再通过引入初始匹配点对的特征相似矩阵调节兼容性分数，得到特征兼容性矩阵γij；

获得兼容性矩阵Mij；

获得点对之间的有效性分数vi和效性分数的权重wi；

通过对有效性得分按比例加权其余分数，得到目标函数R,t；

通过对两片点云的中心点添加权重参数生成源点云质心 与目标点云质心通过位移向量计算得到H矩阵；

通过奇异值分解SVD对H矩阵进行分解，并基于矩阵U和矩阵V得到旋转矩阵R,再由旋转矩阵R计算平移矩阵t；

通过计算得到源点云P和目标点云Q的关键点检测损失函数 和 匹配损失函数以及置信度估计损失函数 并通过对关键点检测损失函数 和 匹配损失函数以及置信度估计损失函数 的求和得到损失函数Loss；

′ ′

所述源点云学习特征FP和目标点云学习特征FQ的计算公式分别为：′

FP＝Fp+e(FQ)

′

FQ＝FQ+e(FP)

N×K N×K ′ ′

其中，e:R →R 表示偏移注意力机制，K是两片点云特征维度，FP和FQ分别代表源点云与目标点云的学习后的特征。

2.根据权利要求1所述的一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，所述特征描述子 的计算公式为：其中， 表示点pi邻域k个点的集合， 表示pi在第l层图卷积网络下的特征描述子，h和g表示多层感知机用于特征学习， 表示聚合操作取最大值，初始特征 为点云的三维坐标值。

3.根据权利要求1所述的一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，所述特性描述T(i,j)的表达公式其中“；”表示串联解释公式，T(i,j)表示编码两片点云的几何特征以及相对位置的联合信息。

4.根据权利要求1所述的一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，所述初始匹配对C的表达式为：所述长度一致性矩阵βij的表达式为：其中β表示基于空间一致性的长度兼容性矩阵，td作为距离参数来控制对长度差的敏感性。

5.根据权利要求4所述的一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，所述兼容性矩阵γij的表达式为：其中αij表示初始匹配点对特征相似程度，特征差异越小αij数值越小，tf表示特征参数用来控制对特征差异的敏感性；

所述兼容性矩阵Mij的表达式为：

Mij＝βij*γij

所述点对之间的有效性分数vi和有效性分数的权重wi分别表示为：vi＝σ(g(Mij))

其中σ表示sigmoid函数，g是一个多层感知机目的是根据点对间的兼容性分数学习匹配点对间的有效性分数；

所述目标函数R,t的表达式为：

6.根据权利要求1所述的一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，所述源点云质心 与目标点云质心 的表达式分别为：所述H矩阵公式如下：

T

所述H矩阵分解公式为：UΣV＝H；

T

所述旋转矩阵R的表达式为：R＝VU；

所述平移矩阵t的表达公式为：

7.根据权利要求1所述的一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于，所述关键点检测损失函数 和 分别表示为：其中，s(i)代表了源点云第i个点的重要性分数，s(j)代表了目标点云第j个点的重要性分数；

所述匹配损失函数 的表达式为：

*

其中，其中j是目标点云中对应点的索引，是在转换后最接近源点云的点；r则是一个超参数去控制两个点间有足够小的距离；

所述置信度估计损失函数 的表达式为：其中： 主要用来监控初始匹配点对的长度一致性矩阵和特征相似性矩阵； 通过匹配点对为对应关系的概率作为信号去监督有效性分数，表达式如下：

8.一种基于交叉偏移特征与空间一致性的点云配准系统，应用于权利要求1‑7任意一项的所述一种基于交叉偏移特征与空间一致性的点云配准方法，其特征在于：系统为网络架构，由特征提取模块、关键点筛选模块、匹配模块以及置信度估计模块组成；

所述网络架构令P和Q分别代表源点云和目标点云送入配准网络获得最终的旋转矩阵与平移向量；

所述特征提取模块通过共享的图特征提取网络，提取源点云与目标点云的特征描述符；

所述关键点筛选模块通过偏移注意力机制挖掘点云的结构信息，并以互补的方式融合不同视角下的点云特征，从而提高精简点的质量；

所述匹配模块通过对关键点进行筛选后对其进行匹配；

所述置信度估计模块用于通过获得初始的匹配点对，并对初始匹配集进行筛选。