1.一种鲁棒的无人机‑无人船协同相对视觉定位方法，其特征在于该方法包括以下步骤：步骤1：通过无人机机载视觉传感器采集当前合作标识图像，对采集到的图像进行基于图像熵的自适应角点检测，得到图像中的角点；

步骤2：使用基于几何特征学习的角点匹配方法，将步骤1中得到的图像中的角点与图像模板库中的模板角点进行匹配，得到相匹配的角点对信息，并以此得到无人机位姿的测量值；

步骤3：基于步骤2中得到的无人机位姿测量值，使用KF‑GRU模型得到无人机位姿的估计值，具体为：步骤3_1：建立无人机视觉测量系统方程并预先采集无人机位姿真值，将该无人机位姿真值和无人机位姿测量值输入至GRU网络；

通过对GRU网络进行训练，得到状态与协方差的更新函数关系；

步骤3_2：利用步骤3_1中训练得到的状态与协方差的更新函数关系，调整传统的卡尔曼滤波器，得到KF‑GRU模型；

步骤3_3：使用步骤3_2中的KF‑GRU模型对得到的无人机位姿测量值进行处理，得到最终的无人机位姿估计值。

2.根据权利要求1所述的一种鲁棒的无人机‑无人船协同相对视觉定位方法，其特征在于：步骤1具体为：步骤1_1：计算当前采集的图像窗口中所有像素的强度差并以此计算Shi‑Tomasi算法中的R分数；

步骤1_2：计算当前采集图像的图像熵并以此计算Shi‑Tomasi算法中的角点阈值；

步骤1_3：使用Shi‑Tomasi算法对图像进行角点检测，并基于步骤1_2中得到的角点阈值对Shi‑Tomasi算法得到的角点进行判断筛选。

3.根据权利要求2所述的一种鲁棒的无人机‑无人船协同相对视觉定位方法，其特征在于：所述角点阈值θ采用以下计算公式：其中，θmin为设定的角点最小阈值，θmax为设定的角点最大阈值，Em为图像熵。

4.根据权利要求2或3所述的一种鲁棒的无人机‑无人船协同相对视觉定位方法，其特征在于：步骤2具体为：步骤2_1：计算步骤1中无人机机载视觉传感器采集的图像中的边缘特征；

步骤2_2：将步骤2_1中得到的边缘特征传入图神经网络生成增强角点特征向量，并计算成本矩阵并调整其维度；

步骤2_3：使用匈牙利算法对步骤1_3中得到的无人机机载视觉传感器采集到的图像中的角点与模板库中图像中的角点进行配对，得到相对应的角点对信息；

步骤2_4：通过角点对中2D‑2D坐标的匹配关系，得到图像中2D坐标与真实世界中3D坐标的映射关系；

步骤2_5：利用DH算法并结合步骤2_4中的2D和3D坐标之间的映射关系得到无人机位姿测量结果。

5.根据权利要求4所述的一种鲁棒的无人机‑无人船协同相对视觉定位方法，其特征在于：所述成本矩阵的维度具体为：若无人机视觉传感器获取的图像的角点数少于模板库中的图像的角点数，且模板库中的图像的角点数小于Shi‑Tomasi算法检测到的最大角点数，则将虚拟零列添加到成本矩阵中；

若模板库中的图像的角点数少于无人机视觉传感器获取的图像的角点数，且模板库中的图像的角点数小于Shi‑Tomasi算法检测到的最大角点数，则将虚拟零行添加到成本矩阵中。

6.根据权利要求1所述的一种鲁棒的无人机‑无人船协同相对视觉定位方法，其特征在于：所述的KF‑GRU模型表达为：其中 为t时刻的状态估计值， 为前n时刻的状态估计值的集合，f(·)为状态更新函数， 为t时刻的协方差矩阵估计值， 为前n时刻的协方差矩阵估计值的集合，h(·)为协方差的更新函数。

7.一种鲁棒的无人机‑无人船协同相对视觉定位系统，其特征在于包括：角点计算模块，用于通过无人机机载视觉传感器采集当前合作标识图像，对采集到的图像进行基于图像熵的自适应角点检测，得到图像中的角点；

角点对信息获取模块，使用基于几何特征学习的角点匹配方法，将图像中的角点与图像模板库中的模板角点进行匹配，得到相匹配的角点对信息，并以此得到无人机位姿的测量值；

位姿估计模块，用于基于无人机位姿测量值，使用KF‑GRU模型得到无人机位姿的估计值；具体为：建立无人机视觉测量系统方程并预先采集无人机位姿真值，将该无人机位姿真值和无人机位姿测量值输入至GRU网络；

通过对GRU网络进行训练，得到状态与协方差的更新函数关系；

利用训练得到的状态与协方差的更新函数关系，调整传统的卡尔曼滤波器，得到KF‑GRU模型；

使用KF‑GRU模型对得到的无人机位姿测量值进行处理，得到最终的无人机位姿估计值。

8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1‑6任意一项所述的无人机‑无人船协同相对视觉定位方法。

9.一种无人机‑无人船协同相对视觉定位装置，包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1‑6任一所述方法。