1.一种用于工业元件位姿估计的稳健的点云配准方法，其特征在于，包括如下步骤：S1、通过3D‑SITF特征点提取算法对点云进行关键点的提取；

S2、采用CCFP加权融合算法和PCA主成分分析法提取点云的主曲率 , 、高斯曲率K以及平均曲率H，通过主曲率 , 、高斯曲率K以及平均曲率H构建点对的余旋相似度，结合FPFH描述子相似性构建加权相似度度量函数 ；

S3、结合局部特征与全局分布的点云匹配策略，利用二分图构建相似度矩阵，并通过KM算法优化匹配，设定阈值过滤误匹配，通过SVD计算旋转矩阵R和平移矩阵T，确保匹配结果在全局分布与局部特征上的一致。

2.根据权利要求1所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，所述步骤S1中的3D‑SITF特征点提取算法为：通过尺度空间，建立点云体素金字塔，三维尺度空间中的函数 由高斯核函数 与三维图像 的卷积得到：；

其中， 表示原始点云数据经过尺度参数 的高斯核平滑后的结果，是高斯核的标准差， 为点云中某一点的坐标， 是归一化系数， 为高斯衰减项。

3.根据权利要求2所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，所述步骤S2中，设 为目标点A和其邻域点 的距离,基于邻域点 的SPFH对目标点A最终的直方图进行加权，得到加权结果 ：；

其中， 为点A的局部几何特征， 为点A邻域点几何特征；

其中，维特征直方图为 ,每个 表示该点邻域内的加权频率分布，对第i个描述子向量 进行归一化，得到归一化后描述子向量 ：；

对于源点云P所提取的关键点云M中的任意点 ，对于目标点云Q所提取的关键点云N中的任意点 的FPFH特征描述子向量 和 ,计算余旋相似性 ：。

4.根据权利要求3所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，采用PCA计算点云的法向量，得到点云的曲率；

在法向量估计过程中，计算邻域的协方差矩阵 ：；

其中，为邻域点， 为点 的邻域质心， 为点 的邻域；

对协方差矩阵 进行特征值分解,得到特征值和特征向量：；

其中，为特征值， 为对应的特征向量。

5.根据权利要求4所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，主曲率通过下述公式计算得到：；

其中， 和 分别是最大和最小主曲率；最小的特征值 对应于法向量方向，最大的特征值 对应于法向量垂直方向的曲率方向；

点云中每个点的高斯曲率 和平均曲率 由主曲率计算得：。

6.根据权利要求5所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，点对 的曲率特征相似度 表示为:；

其中， 表示向量 和向量 在在第k维的分量 和 的乘积；

通过曲率特征余旋相似度和FPFH描述子相似度，构建加权相似度度量函数 ：；

其中 为权重系数。

7.根据权利要求3所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，所述步骤S3中，在配准过程中，通过构建二分图，将源点云P中的关键点云M和目标点云Q中的关键点云N的所有点分别放置二分图的两端，每一对点 和 通过计算CCFP加权相似度，来连接点 和 ，并为边分配权重，构建一个大小为m×n的相似度矩阵，其中m是关键点云M的点数，n是关键点云N的点数，相似度矩阵的每个元素为每对点对的 值；

使用KM算法在相似度矩阵中找到最优匹配的点对集合，得到一组最优的匹配点对，对于相似度矩阵中的第i行，仅保留对应最大 值的位置列 ，将所述 值与最低阈值值进行比较，如果 值低于 ，则放弃对应的点对，仅保留大于所述最低阈值的点对。

8.根据权利要求7所述的用于工业元件位姿估计的稳健的点云配准方法，其特征在于，对于筛选后的点对集合 ,利用SVD进行求解公式如下：；

其中， 代表关键点云M质量中心, 代表关键点云N中心；矩阵,其中 为正交矩阵，为对角矩阵；

则旋转矩阵R为 ，平移矩阵T为 。