1.一种由粗到精的室内场景点云自动配准方法，其特征在于，包括：获取室内场景的三维点云数据；

将所述三维点云数据输入预设的点云几何视觉特征提取模型中，获取不同尺度的三维点云几何视觉特征，其中，所述点云几何视觉特征提取模型基于深度神经网络构建，所述点云几何视觉特征提取模型包括：编码器和解码器，所述编码器用于基于下采样获取第一尺度的三维点云几何视觉特征；所述解码器用于基于上采样获取第二尺度的三维点云几何视觉特征；

所述编码器基于下采样获取第一尺度的三维点云几何视觉特征包括：通过第一图卷积模块提取所述三维点云数据中的第一点云局部特征；

采用注意力机制对所述第一点云局部特征进行计算，获取所述第一尺度的三维点云几何视觉特征；

所述解码器基于上采样获取第二尺度的三维点云几何视觉特征包括：通过第二卷积模块提取所述第一尺度的三维点云几何视觉特征中的第二点云局部特征；

采用基于k近邻的反距离加权插值和跨级跳跃连接的分层传播策略，将相同尺度的所述第二点云局部特征与第一点云局部特征进行融合，获取所述第二尺度的三维点云几何视觉特征；

基于所述三维点云几何视觉特征计算所述三维点云数据中源点云和目标点云的对应关系，其中，所述对应关系包括节点对应关系和点对应关系；

利用所述对应关系进行所述源点云和目标点云之间的刚性变换，完成所述室内场景的点云自动配准。

2.根据权利要求1所述的由粗到精的室内场景点云自动配准方法，其特征在于，基于所述三维点云几何视觉特征计算所述三维点云数据中源点云和目标点云的对应关系包括：利用矩阵相乘操作计算第一尺度的三维点云几何视觉特征的源点云和目标点云中各节点间特征向量的欧氏距离，获取第一相似度矩阵；

对所述第一相似度矩阵进行优化，获取第一尺度上的节点对应关系；

基于所述节点对应关系，利用k近邻搜索对每个节点分配固定数量的邻近点云，并获取每个节点的中间点；

计算第二尺度的三维点云几何视觉特征中每个节点及其中间点特征向量的欧氏距离，获取第二相似度矩阵；

对所述第二相似度矩阵进行优化，获取第二尺度上的点对应关系。

3.根据权利要求1所述的由粗到精的室内场景点云自动配准方法，其特征在于，利用所述对应关系进行所述源点云和目标点云之间的刚性变换包括：预设所述点对应关系的置信度；

将所述置信度作为先验信息，采用随机抽样一致性算法对所述点对应关系进行检验，获取检验结果；

基于所述检验结果选取配准点云，完成所述源点云和目标点云之间的刚性变换。

4.根据权利要求1‑3任一项所述的由粗到精的室内场景点云自动配准方法，其特征在于，所述第一图卷积模块和第二卷积模块均采用递进的层级网络结构，所述递进的层级网络结构提取特征的方法为：其中， 表示第 +1层的输入，表示卷积层数，表示邻接矩阵， 表示第 层的输入， 表示第 层的权重矩阵。

5.根据权利要求1所述的由粗到精的室内场景点云自动配准方法，其特征在于，所述注意力机制的计算方法为：其中， 为通过对输入数据进

行线性变换得到的不同矩阵， 表示 的向量维度，T表示矩阵的转置。