1.一种位姿估计方法，其特征在于，包括：

对当前帧图像的第一角点集以及上一帧图像的第二角点集进行匹配，获取多个角点对；

对每一所述角点对进行验证，以从所述第一角点集和所述第二角点集中剔除误匹配的角点；

根据所述第二角点集，从所述第一角点集中筛选出第一动态角点集；其中，第一动态角点集为所述第一角点集中发生运动的动态角点的集合；

根据语义分割结果，剔除所述第一动态角点集中语义目标的动态角点，得到无标签动态目标的第二动态角点集；其中，所述无标签动态目标为语义分割不可识别的动态目标；

基于所述第二动态角点集，从所述当前帧图像中分割出所述无标签动态目标区域；

剔除语义目标区域内的特征点，并判断剩余特征点是否在无标签动态目标区域内，若在，则剔除所述特征点，以根据所述当前帧图像中的静态特征点进行位姿估计。

2.如权利要求1所述的一种位姿估计方法，其特征在于，所述对每一所述角点对进行验证，包括：基于所述角点对中的第一角点和第二角点之间的深度差，对所述角点对进行初始验证，若初始验证失败，则获取所述误匹配的角点；

若初始验证通过，则基于所述第一角点和所述第二角点的周围像素的灰度相似性，对所述角点对进行二次验证，若二次验证失败，则获取所述误匹配的角点。

3.如权利要求2所述的一种位姿估计方法，其特征在于，所述基于所述第一角点和所述第二角点的周围像素的灰度相似性，对所述角点对进行二次验证，包括：获取所述第一角点在所述当前帧图像中的第一像素范围以及第二角点在上一帧图像的第二像素范围；其中，所述第一像素范围包括以第一角点为原点建立的坐标系中横纵坐标轴上的像素点；所述第二像素范围包括以第二角点为原点建立的坐标系中横纵坐标轴上的像素点；

统计所述第一像素范围和所述第二像素范围中对应像素点之间的像素灰度差之和；

若横纵坐标轴上的像素灰度差之和大于第一阈值，则二次验证失败，将所述第一角点和所述第二角点作为误匹配的角点；

若所述横纵坐标轴上的像素灰度差之和不大于第一阈值，则获取所述第一角点在所述当前帧图像中的第三像素范围以及第二角点在上一帧图像的第四像素范围；其中，所述第三像素范围包括以第一角点为原点建立的坐标系中象限角平分线上的像素点；所述第四像素范围包括以第二角点为原点建立的坐标系中象限角平分线上的像素点；

统计所述第三像素范围和所述第四像素范围中对应像素点之间的像素灰度差之和；

若象限角平分线上的像素灰度差之和大于第二阈值，则二次验证失败，将所述第一角点和所述第二角点作为误匹配的角点。

4.如权利要求1所述的一种位姿估计方法，其特征在于，所述根据所述第二角点集，从所述第一角点集中筛选出第一动态角点集，包括：从所述第一角点集中，获取与第一角点的运动状态一致的关联角点；

分别将所述第一角点以及所述关联角点重投影至上一帧图像中，得到第一投影点以及第二投影点；

根据所述第二角点集，分别计算第一投影点以及第二投影点的对称转移误差；

当所述第一投影点以及第二投影点的对称转移误差均大于预设阈值，则将所述第一角点以及所述关联角点作为动态角点。

5.如权利要求1所述的一种位姿估计方法，其特征在于，所述基于所述第二动态角点集，从所述当前帧图像中分割出无标签动态目标区域，包括：对所述第二动态角点集进行分组，获取多个动态角点组；其中，所述动态角点组用于指示同一无标签动态目标的多个动态角点；

计算每一所述动态角点组对应的平均深度；

基于所述平均深度，对每一所述动态角点组进行几何扩张，以获取每一所述无标签动态目标所在的区域。

6.如权利要求5所述的一种位姿估计方法，其特征在于，所述对所述第二动态角点集进行分组，获取多个动态角点组，包括：将与每一所述第二动态角点的深度值相等且距离最近的其他第二动态角点划分为一组，作为所述动态角点组。

7.如权利要求5所述的一种位姿估计方法，其特征在于，所述基于所述平均深度，对每一所述动态角点组进行几何扩张，以获取每一所述无标签动态目标所在的区域，包括：获取所述动态角点组对应的外接矩形；其中，所述外接矩形由所述动态角点组中的最小横纵坐标和最大横纵坐标确定；

基于所述外接矩形中任一顶点的深度值与所述平均深度之间的差异，判断所述外接矩形是否超出无标签目标区域；

若超出，则收缩所述外接矩形直至所述外接矩形中每一顶点均在所述无标签目标区域内；

将处于无标签目标区域内的外接矩形按照固定步长扩张，直至所述外接矩形中任一顶点扩张至所述无标签目标区域的边界；

对扩张后的外接矩形进行四边形扩张，直至四边形的各顶点扩张至所述无标签目标区域的边界，获取初始四边形；

对所述初始四边形按照四边形扩张方式进行迭代扩张，直至满足停止扩张条件，获取所述无标签目标区域的多个边界点；

连接所述边界点，获取无标签动态目标区域。

8.如权利要求7所述的一种位姿估计方法，其特征在于，所述连接所述边界点，获取无标签动态目标区域，包括：对所述边界点的横坐标进行排序，得到横坐标最小的第一边界点，以及横坐标最大的第二边界点；

基于所述第一边界点以及所述第二边界点，确定目标直线方程；

根据所述目标直线方程，将所述多个边界点划分为上边界点和下边界点；

按照各边界点的横坐标的顺序，将所述上边界点依次连接以及将所述下边界点依次连接，获取所述无标签动态目标区域。

9.如权利要求8所述的一种位姿估计方法，其特征在于，所述无标签动态目标区域对应多个线段方程；所述线段方程通过连接边界点得到；所述判断剩余特征点是否在无标签动态目标区域内，包括：判断所述当前帧图像中的特征点是否处于所述无标签动态目标区域的边界上；

若是，则确定所述特征点在所述无标签动态目标区域内；

若否，则统计所述特征点在目标方向上的射线与各所述线段方程之间的交点数；

若所述交点数为奇数，则确定所述特征点在所述无标签动态目标区域内。

10.一种位姿估计装置，其特征在于，包括：

角点匹配模块，用于对当前帧图像的第一角点集以及上一帧图像的第二角点集进行匹配，获取多个角点对；

匹配验证模块，用于对每一所述角点对进行验证，以从所述第一角点集和所述第二角点集中剔除误匹配的角点；

动态角点筛选模块，用于根据所述第二角点集，从所述第一角点集中筛选出第一动态角点集；其中，第一动态角点集为所述第一角点集中发生运动的动态角点的集合；

无标签动态角点筛选模块，用于根据语义分割结果，剔除所述第一动态角点集中语义目标的动态角点，得到无标签动态目标的第二动态角点集；其中，所述无标签动态目标为语义分割不可识别的动态目标；

无标签动态目标区域分割模块，用于基于所述第二动态角点集，从所述当前帧图像中分割出所述无标签动态目标区域；

动态目标剔除模块，用于剔除语义目标区域内的特征点，并判断剩余特征点是否在无标签动态目标区域内，若在，则剔除所述特征点，以根据所述当前帧图像中的静态特征点进行位姿估计。

11.一种智能机器人，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的一种位姿估计方法的步骤。