1.一种自动驾驶中激光点云配准方法，其特征在于，所述方法包括以下步骤：获取自动驾驶中激光雷达拍摄的源点云和目标点云，基于源点云和目标点云的密集程度初始化噪声权重，计算源点云和目标点云的快速点特征直方图；

根据快速点特征直方图以及迭代次数对源点云和目标点云进行下采样，计算源点云中的源点到目标点云的目标点的匹配概率，统计匹配概率低于阈值的源点作为噪声点，根据噪声点个数采用动态噪声估计方式计算下一次迭代的噪声权重；

基于匹配概率优化变换矩阵和平移向量，判断变换矩阵和平移向量相对于上一次计算的变换矩阵和平移向量的变化量，当变化量满足预设条件时，停止更新变换矩阵和平移向量；利用变换矩阵和平移向量对源点云进行变换完成源点云和目标点云的配准；

所述基于源点云和目标点云的密集程度初始化噪声权重，具体为：对于源点云和目标点云中的每一个点，计算其邻域内的点的密度；

对源点云和目标点云中的每个点计算局部密度后，得到密度分布，获取密度的均值，利用密度的均值得到初始化噪声权重；

所述根据快速点特征直方图以及迭代次数对源点云和目标点云进行下采样，具体为：根据每个点的快速点特征直方图特征评估点的重要性得分；

按照点的重要性得分分别对源点云和目标点云进行排序，获取迭代次数，根据迭代次数确定本次迭代中保留的点的比例；

根据所述比例从排序后的源点云中选取重要性得分最高的点作为源点云的点，根据所述比例从排序后的目标点云中选取重要性得分最高的点作为目标点云的点；

所述根据噪声点个数采用动态噪声估计方式计算下一次迭代的噪声权重，具体为：计算噪声点个数与本次迭代中源点云中点的个数的比值；

获取源点在原始的源点云中的邻域，并计算源点与所述邻域的法线差异，根据法线差异得到调节系数，通过调节系数和所述比值得到源点在下一次迭代计算时的噪声权重。

2.如权利要求1所述的方法，其特征在于，所述根据法线差异得到调节系数，具体为：计算源点与邻域的每个点的单位法向量的点积的平均值；

将1减去所述平均值作为调节系数。

3.如权利要求1所述的方法，其特征在于，所述根据每个点的快速点特征直方图特征评估点的重要性得分，具体为：计算源点和目标点的快速点特征直方图的相似度，对于源点云和目标点云中的每个点，将相似度最大值作为点的得分；

获取点在原始源点云或者原始目标点云的局部密度，采用局部密度获取加权值，对利用加权值对得分进行加权得到点的重要性得分。

4.一种自动驾驶中激光点云配准系统，其特征在于，所述系统包括以下模块：初始化模块，用于获取自动驾驶中激光雷达拍摄的源点云和目标点云，基于源点云和目标点云的密集程度初始化噪声权重，计算源点云和目标点云的快速点特征直方图；

下采样模块，用于根据快速点特征直方图以及迭代次数对源点云和目标点云进行下采样，计算源点云中的源点到目标点云的目标点的匹配概率，统计匹配概率低于阈值的源点作为噪声点，根据噪声点个数采用动态噪声估计方式计算下一次迭代的噪声权重；

配准模块，用于基于匹配概率优化变换矩阵和平移向量，判断变换矩阵和平移向量相对于上一次计算的变换矩阵和平移向量的变化量，当变化量满足预设条件时，停止更新变换矩阵和平移向量；利用变换矩阵和平移向量对源点云进行变换完成源点云和目标点云的配准；

所述基于源点云和目标点云的密集程度初始化噪声权重，具体为：对于源点云和目标点云中的每一个点，计算其邻域内的点的密度；

对源点云和目标点云中的每个点计算局部密度后，得到密度分布，获取密度的均值，利用密度的均值得到初始化噪声权重；

所述根据快速点特征直方图以及迭代次数对源点云和目标点云进行下采样，具体为：根据每个点的快速点特征直方图特征评估点的重要性得分；

按照点的重要性得分分别对源点云和目标点云进行排序，获取迭代次数，根据迭代次数确定本次迭代中保留的点的比例；

根据所述比例从排序后的源点云中选取重要性得分最高的点作为源点云的点，根据所述比例从排序后的目标点云中选取重要性得分最高的点作为目标点云的点；

所述根据噪声点个数采用动态噪声估计方式计算下一次迭代的噪声权重，具体为：计算噪声点个数与本次迭代中源点云中点的个数的比值；

获取源点在原始的源点云中的邻域，并计算源点与所述邻域的法线差异，根据法线差异得到调节系数，通过调节系数和所述比值得到源点在下一次迭代计算时的噪声权重。