1.基于计算机视觉的三维点云图像融合方法，其特征在于，包括：步骤S001，采集图像数据和对应的三维点云数据，并根据采集装置获得图像数据对应的坐标关系；

步骤S002，根据二维图像数据中相似区域之间的分布情况，将不同比例的二维图像数据叠加到最大的二维图像数据上；基于最大的二维图像数据，根据叠加的次数设置不同分段的点云数据；

步骤S003，将每个分段中的点云数据分布特征进行提取，获取叠加图像和叠加图像对应的叠加区域；基于采样区域密度，得到获得密度一致的均匀区域；基于叠加区域和均匀区域对应的点云数据，获取结构差异度；基于叠加区域和均匀区域获得全局特征与池化后的最大特征，得到第一结构复杂度和第一结构复杂度对应的关键点；

所述结构差异度表现为：

其中， 是 ， 是表示内部三

角形 其中的一条边的法向量， 中与 对应的一条边的法向量；

所述第一结构复杂度表现为：

其中，是第一结构复杂度，是设置的超参数， 是指

，将每个内部三角形之间的结构差异度

结合后就是对应分段的点云数据的第一结构复杂度；

步骤S004，根据每个叠加点对应的第一结构复杂度，进行三维数据转换，获得局部特征，若局部特征外还存在关键点，则对其他的区域特征进行相连，得到第二结构复杂度；根据第二结构复杂度转换生成三维模型；

所述第二结构复杂度表现为：

其中，是指当前点云数据的特征分数，是指点云数据中关键点之间的距离， 是每个关键点的距离之和，是指当前点云数据的第一结构复杂度，是指当前点云数据的第二结构复杂度。

2.如权利要求1所述的基于计算机视觉的三维点云图像融合方法，其特征在于，将连续时段内的叠加图像进行合并处理，将相同叠加次数的图像区域视为一组，分成不同分段，获取对应分段内的点云数据。

3.如权利要求1所述的基于计算机视觉的三维点云图像融合方法，其特征在于，去除点云数据中的噪声点、偏移点，将点云数据中的稀疏点云数据与残缺点云数据，进行叠加，获取对应的叠加后的点云数据，并将稀疏点云数据与残缺点云数据统一到同一视角内；与叠加后的点云数据进行合并，得到点云数据对应的叠加区域；

对点云数据进行迭代采样，根据当前采样区域的密度，进行自适应采样，获得密度一致的均匀区域，针对叠加区域和均匀区域之间最近邻点的距离，获得均匀区域与叠加区域之间的偏移量；

获取点云三维特征数据、视图二维特征、叠加区域特征融合获得叠加特征；

获取点云三维特征数据、视图二维特征、均匀区域特征融合获得均匀特征；

偏移量获得方式，根据叠加区域与均匀区域相似区域之间距离的变化的均值，根据偏移量将叠加区域与均匀区域进行叠加，得到精准强化后的点云数据。

4.如权利要求1所述的基于计算机视觉的三维点云图像融合方法，其特征在于，获取每一段点云数据中任意一点记为第一原点，第一原点满足以下条件：第一原点位于点云数据中密度最大的区域， 且第一原点与当前区域内所有的近邻点均处于可连接状态；

第一原点与任意两个近邻点均可以形成三角形连接，每个三角形内的像素点均值均小于预设阈值；

第一原点在每段点云数据中至少存在一个，每个第一原点之间互为顶点。

5.如权利要求1所述的基于计算机视觉的三维点云图像融合方法，其特征在于，当所述第一结构复杂度大于预设复杂度时，权重为第一结构复杂度占总体第一结构复杂度的比值，小于预设复杂度时，权值设为0。

6.如权利要求1所述的基于计算机视觉的三维点云图像融合方法，其特征在于，基于叠加区域和均匀区域获得全局特征与池化后的最大特征，将最大特征进行叠加，得到第一结构复杂度。

7.如权利要求1所述的基于计算机视觉的三维点云图像融合方法，其特征在于，若局部特征外还存在关键点，则对其他的区域特征进行相连，得到第二结构复杂度，且第二结构复杂度内关键点不超过设定的距离阈值。