1.一种全景图特征匹配精度优化的方法，其特征是，包括如下步骤：
步骤(1)：输入两幅全景图像：参考全景图像和目标全景图像；
步骤(2)：每幅全景图像均提取若干个虚拟普通图像；
步骤(3)：建立L层图像金字塔；
步骤(4)：若干个虚拟普通图像作为输入，运行三维重建软件PMVS，得到相机参数和原始特征匹配结果；
步骤(5)：从第L层图像金字塔开始，基于PMVS得到的3D点云，进行目标全景图像的特征匹配优化；
步骤(6)：判断是否所有3D点都经过处理，若是就进入步骤(7)；若否就返回步骤(5)；
步骤(7)：判断是否所有L层图像金字塔都迭代完，若是就采用光束平差法改善相机参数，进入步骤(8)；若否，则L＝L-1，返回步骤(5)；
步骤(8)：判断主循环次数是否等于设定次数，若是就将优化后的pij投影到目标全景图像上，最终获得精确的特征匹配；若否就返回步骤(4)。
2.如权利要求1所述的方法，其特征是，所述步骤(2)的虚拟普通图像就是虚拟的普通图像，虚拟的普通图像通过全景图像投影得到的，包括位置的坐标和代表颜色信息的矩阵。
3.如权利要求1所述的方法，其特征是，所述步骤(2)的步骤为：
(21)首先找到虚拟普通图像上的点与球面上点的投影关系；
(22)得到普通图像与球形模型之间的投影关系后，普通图像上每一点的颜色即是该点所对应的球面坐标处的颜色值，为普通图像上每一个坐标填充颜色，就将普通图像提取出来。
4.如权利要求3所述的方法，其特征是，步骤(21)的步骤为：
(211)忽略图像旋转，假设虚拟普通图像的中心在X轴上，且虚拟普通图像相切于球面；
(212)将虚拟普通图像上的一点p′影到单位球上，为m′；
(213)通过视角α和β，计算出旋转矩阵R；
(214)最终m的坐标为m＝Rm′。
5.如权利要求1所述的方法，其特征是，所述步骤(3)的步骤为：对参考全景图像、目标全景图像、若干个虚拟普通图像均建立L层图像金字塔，第L层表示当前的图像是原图像的1/2L。
6.如权利要求1所述的方法，其特征是，所述步骤(4)的相机参数包括焦距和相机中心。
7.如权利要求1所述的方法，其特征是，所述步骤(5)的步骤为：
步骤(51)：从第L层图像金字塔开始，以每一个3D点Pi为中心构造一个长方形3D区域Qi，按照设定步长对长方形3D区域Qi进行采样，使长方形3D区域Qi投影到任意2D普通图像上产生n*n的色块qij；i的参数含义是第i个点，j的参数含义是第j幅图像；
步骤(52)：将色块qij投影到对应的参考全景图像和目标全景图像上；
步骤(53)：通过对比投影到参考全景图像的2D纹理Wr(i,j)和投影到目标全景图像上的2D纹理Wt(i,j)，修改目标全景图像上的特征坐标点pij；给每个目标全景图像上的色块一个偏移量Wtar(i+Δi,j+Δj)，通过NCC算法搜索目标全景图像上与参考全景图像的2D纹理Wr(i,j)最为匹配的位置。
8.如权利要求7所述的方法，其特征是，所述步骤(52)的步骤为：
将色块qij投影到对应的参考全景图像上，得到坐标，然后根据坐标采用双线性差值得到当前坐标的颜色值，并将当前坐标的颜色值存储到n*n*3的W(i,j)矩阵中，得到参考全景图像的2D纹理Wr(i,j)；
将色块qij投影到对应的目标全景图像上，得到坐标，然后根据坐标采用双线性差值得到当前坐标的颜色值，并将当前坐标的颜色值存储到n*n*3的W(i,j)矩阵中，得到目标全景图像上的2D纹理Wt(i,j)。
9.如权利要求7所述的方法，其特征是，所述普通图像就是RGB图像。
10.一种全景图特征匹配精度优化的统，其特征是，包括：
输入模块：输入两幅全景图像：参考全景图像和目标全景图像；
提取模块：每幅全景图像均提取若干个虚拟普通图像；
图像金字塔建立模块：建立L层图像金字塔；
原始特征匹配获取模块：若干个虚拟普通图像作为输入，运行三维重建软件PMVS，得到相机参数和原始特征匹配结果；
特征匹配优化模块：从第L层图像金字塔开始，基于PMVS得到的3D点云，进行目标全景图像的特征匹配优化；
第一判断模块：判断是否所有3D点都经过处理，若是就进入第二判断模块；若否就返回特征匹配优化模块；
第二判断模块：判断是否所有L层图像金字塔都迭代完，若是就采用光束平差法改善相机参数，进入第三判断模块；若否，则L＝L-1，返回特征匹配优化模块；
第三判断模块：判断主循环次数是否等于设定次数，若是就将优化后的pij投影到目标全景图像上，最终获得精确的特征匹配；若否就返回原始特征匹配获取模块。