1.一种基于微表面融合与对齐的三维点云配准方法，其特征在于：所述三维点云配准方法具体包括如下步骤：步骤1、选取物体模型，将点云数据从笛卡尔坐标系映射到球坐标系上，通过极角和方位角将单位球面划分成互不相交的栅格单元，再根据交叉采样的方式获取无对应点的源点云和目标点云；

步骤2、使用基于PointNet的编码‑解码器结构，计算初始旋转矩阵 和初始平移向量并获取重叠掩码，通过自注意力模块和交叉注意力模块对步骤1获取的源点云与目标点云中每个点的输入特征进行特征提取与融合，进而计算特征矩阵；

步骤3、使用步骤2所获取的重叠掩码和特征矩阵计算相似矩阵搜索对应的伪点对，用前k个相似的伪点对计算粗粒度配准的目标函数，得到粗粒度配准阶段的旋转矩阵 和粗粒度配准阶段的平移向量 ；

步骤4、使用步骤2所获取的重叠掩码和特征矩阵计算相似矩阵搜索对应的伪点对，用前k个相似的伪点进行细粒度点云配准，采用点到平面的ICP算法和最小二乘法优化点云对齐结果，计算细粒度配准的旋转矩阵 和细粒度配准的平移向量 ；

步骤5、根据步骤4所获取的旋转矩阵 和平移向量 ，使用微表面厚度估计网络分析源点云和目标点云融合后重叠区域的微表面平面厚度，根据微表面平面厚度估计结果以优化源点云与目标点云融合后的厚度损失；

步骤6、根据步骤1‑5获取旋转矩阵 、平移向量 、微表面平面平均厚度，计算损失函数，优化模型权重。

2.根据权利要求1所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于： 步骤1根据交叉采样的方式获取无对应点的源点云和目标点云是通过构建取值范围(0，1)的随机矩阵获取，具体包括以下步骤：步骤1.1、输入一个整点云，将其从笛卡尔坐标系映射到球坐标系上，通过设定极角 和方位角φ分辨率，将映射所在的单位球体表面切分成 个栅格单元；

步骤1.2、生成元素个数为C的(0,1)随机矩阵，其0,1的个数比为源点云与目标点云的点数比例，即一个栅格对应一个0/1数值，假设该栅格对应的随机矩阵值为1，则为源点云区域，若随机矩阵值为0则为目标点云区域。

3.根据权利要求1所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：所述步骤2中使用基于PointNet的编码‑解码器结构，计算初始旋转矩阵 和初始平移向量 并获取重叠掩码具体包括如下步骤：步骤2.1.1、通过由多个一维卷积层组成的PointNet编码器将步骤1获取的无对应点的源点云和目标点云映射到一个高维的特征空间，将其获取到的高维特征拼接获取全局特征向量；

步骤2.1.2、将步骤2.1.1获取的全局特征向量输入到一个多层感知机与由多个一维卷积层组成的PointNet解码器中，多层感知机生成初始旋转矩阵 、初始平移向量 ，PointNet解码器生成重叠掩码。

4.根据权利要求1或3所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：所述步骤2中计算特征矩阵具体包括如下步骤：步骤2.2.1、通过自注意力模块和交叉注意力模块对步骤1获取的源点云与目标点云中每个点 的输入特征f记作 ，其中 为点云坐标， 为中心点与其相邻点 通过坐标之差计算出的相对坐标， 为点 由周围点的超平面生成的法向量；

步骤2.2.2、使用自注意力模块处理输入特征： ，

，

其中， 的下标x表示与目标点云y相区别的源点云，上标i表示迭代次数，表示可学习的线性投影权重矩阵， 表示在源点云第i次迭代后的查询向量， 分别表示键向量和值向量， 表示特征矩阵 的维度；

步骤2.2.3、采用交叉注意力模块获取源点云与目标点云之间的关系得到特征矩阵：，

其中， 表示在整个源点云的查询向量， 分别表示整个目标点云的键向量和值向量。

5.根据权利要求1所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：步骤3中粗粒度配准的目标函数为：，

其中， 和 分别表示伪对应点集中源点云与目标点云的点， 分别为源点云与目标点云的伪对应点集， 、 分别表示源点云与目标点云中的点坐标， 分别表示变换和逆变换。

6.根据权利要求1所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：所述步骤4中点到平面的ICP算法和最小二乘法的目标函数为：其中， 和 分别表示伪对

应点集中源点云与目标点云的点， 是目标点云的法向量； 分别为源点云与目标点云的伪对应点集， 表示目标点 对应的法向量。

7.根据权利要求1所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：所述步骤5具体包括如下步骤：步骤5 .1、对点云数据进行处理获取源点云与目标点云的交叉特征，其中， 是预测点云与目标点云之

间坐标的差异，即相对位置， 是目标点云的法向量， 为源点云中心点到目标点云中对应点的绝对距离， 为中心点在对应目标点法线方向上的分量，为分量在法向量上的长度， 为长度 与绝对距离 的乘积；

步骤5.2、将步骤5.1获取的交叉特征输入微表面厚度估计网络中，使估计微表面平面厚度 与由真实源点云与目标点云融合得到的表面的厚度一致，其中，所述微表面厚度估计网络包括多个一维卷积层、批量归一化层、ReLU激活函数和最大池化层，微表面厚度估计网络对局部交叉特征进行编码和求和，得到估计微表面平面厚度 。

8.根据权利要求1所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：步骤6损失函数由三部分组成，分别为 ，损失函数具体包括如下步骤：步骤6.1、计算损失函数 ， 表示为真实旋转矩阵 与预测旋转矩阵 以及真实平移向量 与预测平移向量 之间的损失，公式如下：，

其中， 表示一个3×3的单位矩阵， 表示弗罗贝尼乌斯范数，即矩阵的Frobenius范数， 表示向量之间的欧式距离；

步骤6.2、计算损失函数 ， 表示为在欧几里德空间中，经过真实变换矩阵与预测变换矩阵的点的距离损失，公式如下：，

其中， 表示源点云坐标；

步骤6.3、计算损失函数 ， 表示真实微表面平面厚度 与微表面平面估计厚度 之间的均方根误差，用于约束点云配准性能，公式如下：，

其中， 表示目标点 的微表面， 表示均方根误差计算，步骤6.4、计算总损失函数，公式如下：

，

其中， 为超参数。

9.根据权利要求8所述的一种基于微表面融合与对齐的三维点云配准方法，其特征在于：真实微表面平面厚度计算公式为：，

其中， 表示目标点 的微表面， 表示源点云和目标点云中的相邻点 ，是一个给定的阈值，用于限制相邻搜索半径， 是 的法向量，权值 与距离相关，以调整 的比重， 、 分别表示源点云与目标点云中的点坐标。