1.一种融合颜色和尺度特征的ORB图像匹配方法，其特征在于，包括以下步骤：S1、使用颜色不变量模型对待匹配的前后两帧彩色图像进行预处理，求出图像各位置的颜色不变量；

S2、对待匹配的前后两帧彩色图像，将计算得到的颜色不变量作为输入信息，建立积分图像，采用盒式滤波器代替二阶高斯微分，通过不断增大盒式滤波器的窗口大小构建图像尺度空间；

S3、对图像进行高斯滤波，构建Hession矩阵，在尺度空间上使用快速Hessian矩阵局部极值来确定图像的特征点；

S4、使用带有旋转不变特性的rBRIEF算法提取特征描述符；

S5、使用汉明距离剔除部分错误匹配点对，完成对特征点的粗匹配；

S6、使用改进RANSAN算法进一步去除图像中的误匹配点对，对特征点进行精匹配，提高匹配精度；

所述的S1中，根据颜色不变量模型，对待匹配的前后两帧彩色图像进行预处理，得到彩色图像的颜色不变量H，具体步骤为：式中：E为光谱反射的成像结果，Eλ、Eλλ分别为物体光谱辐射模型的一阶微分和二阶微分，λ表示波长，R∞(λ,x)表示反射率；

彩色图像的RGB分量和(E,Eλ,Eλλ)的关系近似为：彩色图像的颜色不变量H为：

所述的S2中，以颜色不变量作为输入，采用盒式滤波器建立尺度空间，具体步骤为：定义图像f(x,y)，图像上任意一点I(x,y)，对其进行高斯滤波，如下式所示：L(x,y,σ)＝G(x,y,σ)*I(x,y)(4)式中：σ为尺度信息，G(x,y,σ)为固定的高斯核函数，*为高斯核函数卷积运算，I(x,y)表示输入图像(相当于H1(x,y)或H2(x,y))；

对高斯滤波后的图像中的每个像素进行拉普拉斯运算，拉普拉斯运算结果用Hession矩阵表示，如下式所示：式中：Lxx(x,y,σ)、Lxy(x,y,σ)、Lyx(x,y,σ)、Lyy(x,y,σ)分别代表在x方向的二阶导数，在x和y方向依次求偏导数，在y和x方向依次求偏导数，在y方向求二阶导数的高斯滤波窗口，使用不同尺寸的盒式滤波器，在滤波的过程中完成尺度变化，生成图像金字塔即是尺度空间；

所述的S3中，构建Hession矩阵，利用近似Hession矩阵的局部极大值计算不同尺度下特征点的位置，具体步骤为：为了减小计算代价，采用Fast‑Hession矩阵，把高斯二阶偏导数近似化处理，得到盒式滤波器估计值Dxx、Dxy、Dyy，考虑到使用盒式滤波器近似可能带来的误差，设置一个大小为

0.9的补偿系数，进而可求得Fast‑Hession矩阵的近似行列式表达式，即：2

Det(H)＝Dxx·Dyy‑(0.9Dxy) (6)图像特征点的尺度特征通过改变不同滤波窗口的尺寸来确定，通过矩阵的行列式和特征值来判别是否为极值点，若Fast‑Hessian矩阵的行列式值为正，且两个特征值不同时为正或为负，则认定为极值点；

所述的S4中，使用带有旋转不变特性的rBRIEF算法提取特征描述符具体包括以下步骤：对于任意特征点，在31x31邻域内位置为(xi,yi)的n对特征点集，可以用2×n的矩阵来表示：利用特征点主方向θ和对应的旋转矩阵Rθ，计算出Sθ来表示S：这样就得到了具有方向性的描述子：

gn(p,θ)＝fn(p)|(xi,yi)∈Sθ  (9)式中： 为BRIEF的描述符；

所述的S5中，使用汉明距离对特征点粗匹配的具体步骤包括以下内容：将待匹配的两幅图像中选取两个二进制描述子g1、g2，对其进行异或运算，计算g1、g2之间的汉明距离Hdis12，公式如下：将Hdis12与预设定的阈值Hth进行比较，若大于预设阈值，则表示匹配成功，否则匹配失败；

所述的S6中，在利用汉明距离粗匹配后，使用改进RANSAN算法进一步去除图像中的误匹配点对，其具体步骤为：求出前后两帧待匹配图像最近邻匹配对(Ai,Bi)、(Aj,Bj)中特征点的匹配距离l，利用前一帧图像A和后一帧图像B中匹配对与最近邻匹配对距离关系相似性来评价两点距离对应关系，评价函数如下式：式中：c为内点个数；R(i,j)为(Ai,Bi)与对应特征点距离相对差异；Y(i,j)为(Ai,Bi)与相对应特征点的平均距离；l(Ai,Bi)为Ai和Bi的距离；

计算评价函数F(i)的平均值，记为 利用评价函数F(i)对选取的匹配距离l做判断，若则将匹配点保留，组成新的样本集C，从中随机抽取4个匹配对作为内点集Ci，用这4个样本数据拟合出单应矩阵；

利用当前计算的单应矩阵去验证样本集C中剩余的内点集，如果某个点对适合当前单应矩阵，且误差小于阈值μ，则认为该点为局内点，将其加入内点集Ci，如果内点集Ci中元素个数大于阈值θ，则更新内点集，重新计算当前模型。