1.一种基于光场傅里叶视差分层的特征检测方法，其特征在于，具体按照以下步骤实施：步骤1、定义傅里叶视差层模型的层数k，根据四维光场图像LF(x,y,u,v)将场景分解成三维的傅里叶视差层模型FDL(wx,wy,k)；

步骤2、使用傅里叶逆变换将傅里叶视差层模型FDL(wx,wy,k)从频率域转换到空间域，构建光场图像的视差空间DS(x,y,k)；具体过程为：步骤2.1、使用快速傅里叶逆变换将光场的傅里叶视差层模型FDL(wx,wy,k)从频率域转换回空间域，生成光场视差空间DS(x,y,k)；

步骤2.2、对视差空间DS(x,y,k)中的每一层图像，进行灰度映射，将灰度范围映射到[0,255]，得到光场图像的视差空间DS(x,y,k)；

步骤3、在视差空间DS(x,y,k)的基础上，引入高斯尺度空间G(x,y,σ)，生成四维的尺度‑视差空间SDS(x,y,k,σ)；具体过程为：步骤3.1、定义高斯尺度空间的组数o，定义高斯金字塔的层数s；

步骤3.2、取视差空间DS(x,y,k)中的每一层图像，令每一层图像img＝DS(x,y,i),i∈[1,k]；

对图像img进行插值，使得插值后的图像长和宽均放大为原图的2倍，作为计算空间第一组的s层图像，记为img1(2x,2y,1:s)；计算空间的第二组的s层的图像就是图像img，记为img2(x,y,1:s)；将图像img缩小一倍作为计算空间第三组的s层图像，记为img3(x/2,y/2,

1:s)；将图像img缩小二倍作为计算空间第四组的s层图像，记为img4(x/4,y/4,1:s)；

步骤3.3、令高斯卷积的尺度因子分别为[σ1,σ2,σ3,σ4]，对计算高斯尺度空间中每一组的s层图像分别用公式(1)所示的高斯核做高斯卷积，得到尺度‑视差空间SDS(x,y,k,σ)；

步骤4、在尺度‑视差空间SDS(x,y,k,σ)中，使用具有旋转不变性的Harris角点检测算子进行特征检测，获取FDL_Harris角点；具体过程为：步骤4.1、分别对尺度‑视差空间SDS(x,y,k,σ)中的每一个视差和各尺度对应的图像img进行Harris特征提取，作为候选角点；

步骤4.2、取所有候选角点的最大角点响应值Rmax，若候选角点的角点响应值大于i*Rmax，其中0＜i＜1，则是FDL_Harris角点；否则不是；

步骤5、在尺度‑视差空间SDS(x,y,k,σ)中，使用梯度直方图对FDL_Harris角点及其邻域进行特征描述，生成特征描述符。

2.根据权利要求1所述一种基于光场傅里叶视差分层的特征检测方法，其特征在于，步骤1具体过程为：步骤1.1、读入四维光场图像LF(x,y,u,v)，其中(x,y)为光场的空间分辨率，(u,v)为光场的角度分辨率；

步骤1.2、定义傅里叶视差层模型的层数k，k为正整数，范围为[4,15]；

步骤1.3、根据光场傅里叶视差层的定义，将场景分解为离散的层的和，得到傅里叶视差层模型，表示为FDL(wx,wy,k)。

3.根据权利要求1所述一种基于光场傅里叶视差分层的特征检测方法，其特征在于，步骤5的具体过程为：步骤5.1、在尺度‑视差空间SDS(x,y,k,σ)中，定义FDL_Harris角点的描述邻域半径为r，将角度[0,360]分为n个bins，其中角度为0的轴线作为坐标轴；

步骤5.2、计算特征邻域内的梯度直方图，选取最大的梯度幅值对应的角度作为特征点主方向，并将坐标轴旋转至特征点的主方向；

步骤5.3、将旋转后的特征邻域分为m个块，计算每个块内的梯度直方图，生成长度为m*n的特征描述符。

4.根据权利要求3所述一种基于光场傅里叶视差分层的特征检测方法，其特征在于，所述计算特征邻域内的梯度直方图采用的公式为:其中，m(x,y)是角点坐标为(x,y)的点的梯度幅值，x、y分别为角点的横纵坐标，L代表的尺度视差空间的图像，θ是角点的梯度方向。