1.一种基于图形基元的双模深度学习描述子构造方法，其特征在于，所述方法包括如下步骤：

S1、提取图像I1和图像I2的关键点p1i及p2i，分别构成关键点集合P1及关键点集合P2；

S2、截取关键点集合P1及关键点集合P2中所有关键点的补丁图像，基于补丁图像来构成关键点局部区域的尺度空间，所述补丁图像是指以某一关键点为中心，截取的N个不同尺寸图像；

S3、将各关键点对应的补丁图像分别缩放成设定尺寸，得到规范化尺度补丁图像，并同时执行步骤S4及步骤S5；

S4、将关键点的规范化尺度补丁图像分别输入类别检测模型，输出规范化尺寸补丁图像的类别；

S5、边缘化规范化尺度补丁图像，得到补丁边缘化图像，并输入几何检测模型，得到补丁边缘化图像的几何特征向量；

S6、将同一关键点在不同尺寸补丁图像上的类别和几何特征向量联合，组合成各关键点在不同尺度补丁图像上的描述子向量。

2.如权利要求1所述基于图形基元的双模深度学习描述子构造方法，其特征在于，在步骤S6之后还包括：

S7、进行图像I1与图像I2中的关键点配准，图像I1和图像I2中的任一一对关键点p1i及p2i的配准方法具体如下：

若存在j1与j2，使得 则图像I1关键点p1i与图像I2关键点p2i匹配；

其中，T为设定的距离阈值， 为图像I1中第i个关键点在第j1个尺寸上的描述子向量， 为图像I2中第i个关键点在第j2个尺寸上的描述子向量。

3.如权利要求1所述基于图形基元的双模深度学习描述子构造方法，其特征在于，步骤S4中的类别检测模型构建方法具体如下：S31、构造类别检测训练集及类别检测验证集，所述类别检测训练集及类别检测验证集是基于分类标注数据来构成的；

S32、构建类别分类器；

S33、通过类别训练集对类别分类器进行训练；

S34、若训练次数达到设定的次数阈值，则通过分类验证集对训练后的类别分类器进行验证，若训练后的类别分类器在类别验证集上的误差位于误差允许范围或者是训练次数达到上限阈值，则停止训练，即形成类别检测模型。

4.如权利要求1所述基于图形基元的双模深度学习描述子构造方法，其特征在于，步骤S5中的几何检测模型构建方法具体如下：S41、构造图像基元训练集及图像基元验证集，图像基元训练集及图像基元验证集是基于随机生成的含有直线和圆的组合图像构成；

S42、针对图像基元训练集构建多维基元分类器；

S43、通过图像基元训练集对多维基元分类器进行训练；

S44、若训练次数达到设定的次数阈值，则通过图像基元验证集对训练后的多维基元分类器进行验证，若训练后的多维基元分类器在图像基元验证集上的误差位于误差允许范围或者是训练次数达到上限阈值，则停止训练，即形成几何检测模型。

5.如权利要求3所述基于图形基元的双模深度学习描述子构造方法，其特征在于，所述类别检测训练集及类别检测验证集的构建方法具体如下：S311、在目标数据库上下载图像；

S312、根据分割分类标注，在图像的目标区域内选择设定尺寸的补丁图像，选择的补丁图像数量为目标区域尺寸行列相乘的四分之一，补丁图形中心坐标的频率服从中心在区域中心的二维高斯分布；

S314、按设定的比例将带有分类标注的补丁图形分别放入类别检测训练集及类别检测验证集。

6.如权利要求4所述基于图形基元的双模深度学习描述子构造方法，其特征在于，图像基元训练集及图像基元验证集构造方法具体包括如下步骤：S411、以直线和圆为基元随机组成设定尺寸的组合图像，并记录直线的数量n1、圆的数量n2、直线与圆的交点数量n3、直线间的交点数量n4、以及直线间交点处的锐角S412、在所述组合图像上随机添加噪声，形成基元样本；

S413、基于设定的比例将基元样本分别划分至图像基元训练集及图像基元验证集。

7.如权利要求1所述基于图形基元的双模深度学习描述子构造方法，其特征在于，通过最邻近点插值方法将不同尺寸的补丁图像放大至设定尺寸。

8.如权利要求1所述基于图形基元的双模深度学习描述子构造方法，其特征在于，通过Sobel边缘检测方法对规范化尺度补丁图像边缘化，得到补丁边缘化图像。

9.如权利要求1所述基于图形基元的双模深度学习描述子构造方法，其特征在于，以双ResNet构建并行网络，将规范化尺度补丁图像输入类别检测模型的同时，将补丁边缘化图像输入几何检测模型，在全连接层将类别检测模型与几何检测模型相乘，构建乘性检测模型输出。