1.一种用于影像基础矩阵不确定性的评估方法，其特征在于，包括如下步骤：S1、基于立体像对的特征提取点，得到影像基础矩阵F的非齐次8维矢量 ；

所述步骤S1包括如下步骤：

S11、获取第一未校准立体影像和第二未校准立体影像，并将第一未校准立体影像和第二未校准立体影像构成立体像对；

S12、将第一未校准立体影像的特征提取点与对应的第二未校准立体影像的特征提取点进行匹配，得到若干个特征匹配点对，其中，各特征匹配点对均由一个第一图像特征匹配点a和一个第二特征图像匹配点b构成；

S13、基于第一图像特征匹配点a和第二特征图像匹配点b，计算得到影像基础矩阵F的匹配模型：其中，T表示转置，x和y分别表示第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值， 和 分别表示第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值， 表示第一影像基础矩阵F元素， 表示第二影像基础矩阵F元素， 表示第三影像基础矩阵F元素， 表示第四影像基础矩阵F元素， 表示第五影像基础矩阵F元素， 表示第六影像基础矩阵F元素， 表示第七影像基础矩阵F元素， 表示第八影像基础矩阵F元素， 表示第九影像基础矩阵F元素；

S14、将各特征匹配点对代入影像基础矩阵F的匹配模型，得到影像基础矩阵F的线性匹配模型：；

S15、基于影像基础矩阵F的线性匹配模型和影像基础矩阵F元素，按行优先顺序排列的

9维矢量f，得到特征匹配点线性组合模型：

其中， 表示n组特征匹配点的9列向量内积矩阵，n表示特征匹配点对的总数，和 分别表示第1个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值， 和 分别表示第1个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值， 和 分别表示第n个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值， 和 分别表示第n个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值；

S16、将第九影像基础矩阵F元素 设置为1，并基于特征匹配点线性组合模型得到影像基础矩阵F非齐次线性方程组：其中，A表示n组特征匹配点的8列向量内积矩阵， 表示影像基础矩阵F元素按行优先顺序排列的8维矢量，L表示元素全为1的n维向量；

S17、根据最小二乘法，对影像基础矩阵F非齐次线性方程组计算得到影像基础矩阵F的非齐次8维矢量 ：；

S2、基于非齐次8维矢量 、矩阵微分理论和立体像对中特征匹配点对的坐标矩阵X，得到影像基础矩阵F的协方差 ；

所述步骤S2包括如下步骤：

S21、基于矩阵微分理论和非齐次8维矢量 ，计算得到立体像对中特征匹配点对的坐标矩阵X的偏导模型：，

其中， 表示8列向量内积矩阵A的转置矩阵，B表示n组特征匹配点的8列向量内积矩阵A与其转置的积， 表示8列向量内积矩阵与其转置的积的逆矩阵， 表示1阶单位矩阵， 表示4阶单位矩阵， 表示克罗内克积；

S22、将8列向量内积矩阵与其转置的积的逆矩阵 对坐标矩阵X求导，并基于坐标矩阵X的偏导模型，得到坐标矩阵X的偏微分模型：其中， 表示非齐次8维矢量 相对坐标矩阵X的微分矩阵， 表示8列向量内积矩阵A的转置矩阵相对坐标矩阵X的微分矩阵， 表示8列向量内积矩阵A相对坐标矩阵X的微分矩阵；

S23、设坐标矩阵X的方差为DX，并基于测量不确定度方法和坐标矩阵X的偏微分模型，得到非齐次8维矢量 的方差 ：其中， 表示非齐次8维矢量 相对坐标矩阵X的微分矩阵的转置， 表示坐标矩阵X的方差DX的第一元素， 表示坐标矩阵X的方差DX的第二元素， 表示坐标矩阵X的方差DX的第三元素， 表示坐标矩阵X的方差DX的第四元素， 表示坐标矩阵X的方差DX的第五元素， 表示坐标矩阵X的方差DX的第六元素， 表示坐标矩阵X的方差DX的第七元素， 表示坐标矩阵X的方差DX的第八元素， 表示坐标矩阵X的方差DX的第九元素， 表示坐标矩阵X的方差DX的第十元素， 表示坐标矩阵X的方差DX的第十一元素，表示坐标矩阵X的方差DX的第十二元素， 表示坐标矩阵X的方差DX的第十三元素，表示坐标矩阵X的方差DX的第十四元素， 表示坐标矩阵X的方差DX的第十五元素，表示坐标矩阵X的方差DX的第十六元素；

S24、基于非齐次8维矢量 的方差 得到影像基础矩阵F的协方差 ：；

S3、基于影像基础矩阵F的协方差 ，构建影像基础矩阵F不确定性函数；

所述步骤S3包括如下步骤：

S31、对影像基础矩阵F的协方差 进行特征分解，得到特征值 及其对应的特征向量 ，其中，i表示正整数下标，i=1，2，…，9；

S32、将特征值 按降序排列，并基于累计贡献率模型计算前m个特征值 的累计贡献率 ：其中， 表示第j个特征值，其中，j=1，2，…，m，m=1，2，…，9；

S33、利用累计贡献率大于预设贡献率阈值时统计的前m个特征值 分别对应的特征向量 ，构建特征变换矩阵 ：其中， 表示第m个特征向量；

S34、基于特征变换矩阵 计算得到9维矢量f的成分载荷矩阵；

其中， 表示第k个特征向量的成分载荷， 表示第m个特征向量的成分载荷， 表示特征变换矩阵 的转置矩阵；

S35、基于9维矢量f的成分载荷矩阵和特征重构法构建影像基础矩阵F不确定性函数：其中， 表示影像基础矩阵F不确定性值， 表示第k个特征值的贡献率， 表示第k个特征值，其中，k=1，2，…，9；

S4、基于非齐次8维矢量 中影像基础矩阵F元素的最大值和影像基础矩阵F不确定性函数，得到影像基础矩阵F不确定性评估结果。

2.根据权利要求1所述的用于影像基础矩阵不确定性的评估方法，其特征在于，所述步骤S4包括如下步骤：S41、获取非齐次8维矢量中影像基础矩阵F元素的最大值，并将其通过十进制缩放归一化原则转换至（‑1，‑0.1）或（0.1，1）之间，得到放大转换系数 ；

S42、基于放大转换系数 将影像基础矩阵F中各元素进行放大 倍；

S43、基于放大后的影像基础矩阵F和影像基础矩阵F不确定性函数，得到影像基础矩阵F不确定性值；

S44、基于影像基础矩阵F不确定性值，得到影像基础矩阵F不确定性评估结果。