1.一种利用注意力机制聚合邻域点和全局特征的图像匹配方法，其特征在于：包括以下步骤：步骤S1：数据集处理：提供一图像对(I,I')，使用基于黑塞映射的检测子分别从每个图像中提取特征点kpi,kp′i；则图像I的信息提取的特征点集为KP＝{kpi}i∈N；从图像I′获得特征点集KP′＝{kp′i}i∈N；每个对应关系(kpi,kp′i)能生成4D数据：D＝[d1；d2；d3；.......dN；]，di＝[xi,yi,x′i,y′i]D表示图像对的匹配组即输入数据，di表示匹配对，(xi,yi)，(x′i,y′i)表示匹配中两个特征点的坐标；

步骤S2：利用注意力机制选取关键邻域点特征：在给定输入图像特征点集KP′＝{kp′i}i∈N；每个对应关系(kpi,kp′i)的情况下，对于特征点集中第i个点，它的坐标为pi，聚合其K个最近点的几何图案和特征，并最终生成特征向量步骤S3：通过空间层转化实现特征的空间和局部特征向量两个维度结合；

步骤S4：在测试阶段，采用深度神经网络训练的方法，将残差网络的输出设为初步预测结果xout，并且使用激活函数tanh和relu对初步预测结果进行处理，即对于初步预测结果用fx进行操作处理，fx＝relu(tanh(xout))，得到预测值为0，1，0表示错误匹配，1表示正确匹配的最终结果；

在整个网络的训练中，采用交叉熵损失函数来指导网络的学习；如公式所示：其中，yi就表示label，y'i表示预测值。

2.根据权利要求1所述的一种利用注意力机制聚合邻域点和全局特征的图像匹配方法，其特征在于：所述步骤S2的具体内容为：从图像I′获得特征点集KP′＝{kp′i}i∈N，然后利用邻搜索算法为每一个点ith收集其相邻点，对于中心点pi的每个最近的K个点 明确编码相对点位置如下所示:接下来对每个中心点pi的邻域点 进行邻域点特征增强，把原始的邻域点所具有的特k k征fi和对点位置编码后的ri拼接起来，组成新的特征

对于图片中提取一组局部特征 设计了一个共享函数

来为每个功能学习唯一注意力得分；基本上，函数g(x)包含一个共享多层权重感知机，然后接着softmax回归函数；g(x)的正式定义如下：其中W是共享多层权重感知机的可学习权重； 表示学到的注意力分数。

学到的注意力分数作为自动选择重要特征的最优权重；这些特征的加权总和如下：在给定输入图像特征点集KP′＝{kp′i}i∈N；每个对应关系(kpi,kp′i)的情况下，对于特征点集中第i个点，它的坐标为pi，聚合其K个最近点的几何图案和特征，并最终生成特征向量

3.根据权利要求1所述的一种利用注意力机制聚合邻域点和全局特征的图像匹配方法，其特征在于：所述步骤S3的具体内容为：先利用转置将特征向量 通过卷积扩展到空间维度和局部维度；之后，将批归一化和ReLU函数当作残差网络连接，用以使处理后从图中输出的数据具有稳定的空间关系；使用残差网络对增强后的特征 即映射后的特征向量进行特征提取，用权重共享感知机在空间维度建立起点与点之间的联系，从而抓取全局上下文的信息，并输出初步预测结果。