1.一种基于显著锚点几何嵌入的点云配准方法，其特征在于，包括：获取相同场景下不同视角的两个点云；将两个点云数据输入到训练好的点云配准模型中，得到点云配准结果；

对点云配准模型进行训练的过程包括：

S1、获取训练数据集，该数据集中每个数据包括相同场景下不同视角的两个点云；

S2、将训练集中的两个不同视角的点云进行核点卷积，得到两个点云的超点特征；

S3、将超点特征输入到锚点模块中进行锚点对应查找，得到锚点对应点；将查找到的锚点对应点输入到特征模块中进行特征提取；采用迭代法对锚点对应点和提取的锚点对应点特征进行优化，得到最优特征；

特征模块对输入的锚点对应点进行特征提取包括：特征模块包括自注意模块和几何交流模块；选取一定量的对应关系建立点云之间的联系，将对应关系输入特征模块；采用自注意模块加强点云内部交互，引入结构嵌入分支使得自注意模块具备拓扑结构编码功能；采用几何交流模块加强两个点云之间的交互，最后输出增强的特征；特征模块中自注意模块的计算注意力分数的公式为：其中， 表示利用可学习矩阵Wq将超点特征映射得来， 表示P点云中的点， 表示利用可学习矩阵Wk将超点特征映射得来， 表示几何结构编码， 表示一对对应点中P点云的点，T表示矩阵的转置，表示K的维度的平方根；

特征模块中几何交流模块的权重计算公式为：

其中， 表示利用可学习矩阵Wq将P点云超点特征映射得来， 表示源点云， 表示P点云的几何结构编码， 表示利用可学习矩阵Wq将Q点云超点特征映射得来， 表示Q点云的超点， 表示Q点云的几何结构嵌入特征；

S4、根据最优特征计算超点的匹配，通过超点匹配在对应区域中查找匹配的全局对应点；

S5、计算各个区域的变换，根据全局对应点选择最优变换；

S6、对最优点云进行转换估计，得到估计结果；

S7、根据估计结果计算模型的损失函数，当损失函数收敛时完成模型的训练。

2.根据权利要求1所述的一种基于显著锚点几何嵌入的点云配准方法，其特征在于，对两个不同视角的点云进行核点卷积计算的公式包括：Nx＝{xi∈P|‖xi‑x‖≤r}

其中，xi为P点云中的点，fi为第i个点云对应的特征，F表示点的特征，g(.)表示核函数，Nx表示在xi的r半径内选取临近点x。

3.根据权利要求1所述的一种基于显著锚点几何嵌入的点云配准方法，其特征在于，采用锚点模块和特征模块对输入特征进行处理的过程包括：将核点卷积得到的超点特征输入锚点模块，采用NMS方法选择多个高质信度匹配作为锚点对应，具体步骤包括：步骤1、从所有的对应关系中选出候选对应关系；

步骤2、计算所有候选对应关系的分数；

步骤3、根据分数的大小对候选对应关系进行排序，并选出最高分数所对应的候选对应关系；

步骤4、设置阈值，计算最高分数所对应的候选对应关系与其它对应关系的距离，并将计算出的距离与设置的阈值进行对比，删除小于阈值的对应关系，重复步骤4，直到候选对应关系筛选完成；

步骤5、将对应关系输入特征模块，引入结构嵌入分支，融入自身全局上下文信息同时嵌入点对距离。

4.根据权利要求1所述的一种基于显著锚点几何嵌入的点云配准方法，其特征在于，将最优超点点云与目标点云进行匹配的过程包括：利用解码器模块解码超点特征；将解码器的最后一层输出的分辨率恢复到各自点云的原始分辨率，同时获得源点云和目标点云的点的特征；对于每个点将按照最近匹配的方式将其分配给超点完成区域的划分；根据区域匹配结果在相应区域中利用Sinkhorn算法完成点匹配，获得该区域匹配的点匹配集。

5.根据权利要求1所述的一种基于显著锚点几何嵌入的点云配准方法，其特征在于，对最优点云进行转换估计的公式为：其中，R表示旋转矩阵，t表示平移矩阵， 表示点云P中的点， 表示点云Q中与 对应的点，c表示对应点集， 表示 的对应点 与预测的对应点之间的距离平方。

6.根据权利要求1所述的一种基于显著锚点几何嵌入的点云配准方法，其特征在于，模型的损失函数为：其中， 模型损失函数， 表示P点云中的重叠感知循环损失，P表示P点云，A表示P中的补丁形成的锚补丁集合， 表示A集合的锚补丁， 表示点云中的正补丁集合， 表示P和Q中锚补丁的重叠率， 表示每个采样的正负权重， 和 表示P、Q对应点的特征空间的距离，Δp和Δn均表示边距超参数， 表示Q点云中的负补丁， 表示点云中的负补丁集合。