1.一种顾及房檐特征的机载与车载LiDAR点云配准方法，其特征在于：包括以下步骤：步骤1：对机载LiDAR与车载LiDAR点云数据去噪和滤波处理，从地物点中提取建筑物点云和特征角点；

步骤2：建立一种局部邻域相似性测度模型，实现机载LiDAR与车载LiDAR伪同名点的快速自动匹配，并利用伪同名点对实现粗配准；

步骤3：基于方向预测算法对车载LiDAR建筑物轮廓线外扩，构建潜在房檐特征点集；

步骤4：利用两次迭代最邻近点算法分别实现机载与车载LiDAR点云真同名点对匹配和迭代精配准。

2.根据权利要求1所述的顾及房檐特征的机载与车载LiDAR点云配准方法，其特征在于：在步骤2中，局部邻域相似性测度模型的建立步骤如下：步骤2.1：计算特征点局部重心；

从机载LiDAR特征点中顺序选择一点ap，查找与其属于同一建筑物的k个最邻近特征点ap，apn1，…，apnk‑1，计算此k个点的重心Coreap；

从车载LiDAR特征点中顺序选择一点vp，查找与其属于同一建筑物的k个最邻近特征点vp，vpn1，…，vpnk‑1，计算得此k个点的重心Corevp；

步骤2.2：评估局部邻域相似性；

利用公式(1)和(2)计算ALS特征点坐标差序列与VLS特征点坐标差序列的相关系数；

式中， gix、giy分别为ALS点云当前点的第i个邻域点的横、纵坐标，g′ix、g′iy分别为VLS点云中当前点的第i个邻域点的横、纵坐标；

计算ap到Oap的方位角与vp到Ovp的方位角之差，并计算ap到Oap的欧氏距离与vp到Ovp的欧氏距离之差；

步骤2.3：构建相似性测度模型；

将VLS中的每一个特征点与当前ALS特征点进行匹配计算，当横纵相关系数的绝对值均大于阈值Tρ，ap到Oap的方位角与vp到Ovp的方位角差值小于阈值Ta时，且ap到Oap的欧氏距离与vp到Ovp的欧氏距离绝对差值小于阈值Td1时，即满足公式(3)，存储于初始匹配集合Ssim中；

式中，∠apOap为ap到Oap的方位角，∠vpOvp为vp到Ovp的方位角；|ap‑Oap|为ap到Oap的欧氏距离；|vp‑Ovp|为vp到Ovp的欧氏距离；||为取绝对值；

重复步骤2.1‑步骤2.3，直到所有ALS特征点处理完毕；

步骤2.4：随机抽样一致性匹配确定最优匹配对；

从集合Ssim中随机选一对匹配点并计算其横纵坐标差，统计其他点对横纵坐标差与之绝对差值在阈值范围内Td2的数量，根据拥有最大数量的匹配点对建立伪同名点对集合Spcp，集合中会出现一对多或多对一匹配现象，选择max(ρ(x)+ρ(y))的点对保证一对一匹配，获得伪同名点对；

步骤2.5：粗配准；

T

利用滤波处理的地面点云对伪同名点对高程插值，以[Xals Yals Zals] 和[Xvls Yvls T

Zvls] 分别代表伪同名点对的ALS和VLS特征点坐标，坐标转换关系由公式(4)、(5)、(6)表示，并利用最小二乘解算坐标转换参数；

式中，R(α,β,γ)代表旋转矩阵，α、β、γ分别为绕Z轴、Y轴和X轴的欧拉旋转角；[Tx Ty T

Tz]代表X、Y、Z方向的平移量；λ代表尺度参数，因ALS和VLS配准为刚性变换，设λ＝1。

3.根据权利要求1所述的顾及房檐特征的机载与车载LiDAR点云配准方法，其特征在于：在步骤3中，基于方向预测算法对车载LiDAR建筑物角点外扩，构建潜在房檐特征点集步骤如下：

步骤3.1：房檐潜在特征点集位置确定；

建筑物立面某个角的房檐情况包括无房檐、一边存在、两边存在三种情况，故其房檐特征点存在4种可能，将房檐特征点称为潜在房檐特征点，某一位置的房檐潜在特征点包括轮廓线与相邻轮廓线的交点、轮廓线沿其垂线方向外扩房檐宽度与相邻轮廓线的交点、轮廓线与相邻轮廓线沿其垂线方向外扩房檐宽度的交点、轮廓线沿其垂线方向外扩房檐宽度与相邻轮廓线沿其垂线方向外扩房檐宽度的交点；

步骤3.2：外扩方向判定；

首先对ALS数据以当前建筑物横坐标最小的特征点作为起点、依顺时针方向对特征点进行排序，确定每段轮廓线的起点和终点；逐一选择伪同名点对，分别查找与之相邻的特征点，根据斜率相似原则对VLS特征点重新排序，确定轮廓线的起点和终点；

根据几何关系做出预测：当起点的横坐标小于终点横坐标时，该轮廓线所在直线的上侧为外侧，轮廓线应沿Y轴向上改正；当起点的横坐标大于终点横坐标时，该轮廓线所在直线的下侧为外侧，轮廓线应沿Y轴向下改正；

步骤3.3：车载LiDAR轮廓线外扩；

设轮廓线的线性方程Ax+By+C＝0，根据几何确定房檐宽度d与轮廓线沿Y轴平移距离关系；为简化计算公式，将直线方程系数A化为非负形式，利用公式(7)对VLS轮廓线外扩；通过相邻轮廓线交点获得每个角的4个潜在房檐特征点平面位置，同样采用高程插值方法确定潜在房檐特征点高程；

式中，A、B、C代表直线方程一般式的系数，Xstart、Xend为轮廓线的起点和终点横坐标，d建筑物房檐宽度。

4.根据权利要求1所述的顾及房檐特征的机载与车载LiDAR点云配准方法，其特征在于：在步骤4中，利用两次迭代最邻近点算法分别实现机载与车载LiDAR点云真同名点对匹配和迭代精配准，步骤如下：

步骤4.1：以粗配准结果作为ICP的初始值，将潜在房檐特征点集作为搜索点集并构建KD树提高搜索效率，采用同名点间欧氏距离E(R,T)最小化作为ICP算法的最优收敛条件，则真同名点匹配问题表达为求解函数E(R,T)最小值对应的点对，E(R,T)如式(8)；

步骤4.2：经迭代优化后得到最小E(R,T)，此时用于解算配准参数的点对即为ALS和VLS建筑物特征点的真同名点对；

步骤4.3：将车载LiDAR点云数据作为搜索点集，以基于ICP方法的真同名点匹配结果作为此次ICP的初始值，同样采用同名点间欧氏距离最小化作为ICP算法的最优收敛条件，则点云精配准问题可表达为求解函数E(R,T)最小值对应的配准参数；

步骤4.4：经迭代优化后得到最小E(R,T)，则ALS和VLS数据配准参数如式(9)所示：式中，R、T为ALS和VLS最终配准参数，RRi、TTi为迭代过程每次解算的旋转和平移矩阵，k为最终迭代次数，Ti＝RiTi‑1+TTi。