1.一种基于可信度信息的点云数据粗差定位和剔除方法，其特征在于，包括：
(1)点云数据采集：通过测量设备采集待测物体的点云数据；
(2)点云数据预处理：对所测点云数据进行预处理，包括：点云数据降维、点云数据规则化；
(3)点云数据邻域确定和曲面拟合，包括：点云数据邻域自适应划分、邻域内点云数据曲面拟合；
(4)置信度计算，包括：根据迭代计算方法，计算出点云数据中所有点到其对应邻域内二次曲面的距离，选取点云数据中某点邻域中距离的平均值和方差，来计算该点的置信度，并据此计算出点云数据中其它所有点的置信度；
(5)粗差定位和剔除：根据点云数据中各点的置信度判断该点是否为粗差，若点云数据中某点判断为粗差，则以置信度作为权重，对该点所处邻域内的数据进行加权求和，得其邻域内点云数据的数学期望，以剔除定位到的粗差点。
2.根据权利要求1所述的方法，其特征在于，步骤(2)中，对点云数据进行预处理包括：
点云数据降维：利用坐标变换法，固定点云中的数据点，将其所处的坐标系进行平移或旋转，选取适当的坐标系表示点云数据的坐标，从而固定数据点坐标的其中一维，实现点云数据降维；
点云数据规则化：对点云数据按照行列进行规则化，形成按行列顺序排列的规则点云数据。
3.根据权利要求2所述的方法，其特征在于，步骤(3)中，
点云数据邻域自适应划分包括：将点云数据进行邻域划分，找到每个数据点p(i,j)所处的k×k最近邻域；其中i，j分别为该数据对应的行列号，且i＝1…m，j＝1…n，m为点云数据行总数，n为点云数据列总数，k为数据点p(i,j)所处邻域的大小，即邻域的行列总数；
邻域内点云数据曲面拟合包括：对点云数据中每个数据点所处的k×k邻域进行曲面拟合，即对该邻域内的数据利用最小二乘的方法构造二次曲面。
4.根据权利要求3所述的方法，其特征在于，在点云数据邻域自适应划分中，按照行列顺序确定邻域边界，根据以下原则进行邻域划分：
当i＝1时，取第1、2行作为点云数据的行邻域；当j＝1时，取第1、2列作为点云数据的列邻域；
当
当
当
当i＝m时，取第m-1、m行作为点云数据的行邻域；当j＝n时，取第n-1、n列作为点云数据的列邻域。
5.根据权利要求4所述的方法，其特征在于，邻域内点云数据曲面拟合包括：
将数据点p(i,j)邻域内数据点lp(i,j)(r,s)(r＝1,2,…k；s＝1,2,…k)，在局部邻域内进行二次曲面拟合，拟合方程的一般形式为：
s(u,v)＝au2+buv+cv2+du+ev
拟合的目标函数为：
其中，u和v为曲面参数，a、b、c、d、e为曲面方程的系数，应用奇异值分解法可获得拟合曲面的最小二乘解。
6.根据权利要求5所述的方法，其特征在于，步骤(4)包括：
(41)求得数据点p(i,j)邻域内的每一个数据点沿法线方向到对应邻域内的二次曲面的距离dp(i,j)(r,s)(r＝1,2,…k；s＝1,2,…k)，计算得出邻域内数据点到邻域内二次曲面距离的平均值
其中，r,s分别为邻域的行列数；k为邻域的大小，即行列数；dp(i,j)(r,s)为邻域中点到二次曲面的距离；
(42)以数据点p(i,j)到拟合曲面的距离dp(i,j)和邻域内其它数据点到邻域曲面的距离dp(i,j)(r,s)(r＝1,2,…k；s＝1,2,…k)构造置信度邻域n，
n＝{d||dp(i,j)(r,s)-dp(i,j)|<δ,δ>0}(r＝1,2,…k；s＝1,2,…k)
取δ＝ωλ，即n＝{d||dp(i,j)(r,s)-dp(i,j)|＜ωλ}，其中ω为大于0的正整数，取值大小可根据点云数据的粗差剔除效果确定；若数据点p(i,j)的邻域集合中，各点到拟合曲面的距离处于闭区间[dp(i,j)-ωλdp(i,j)+ωλ]的个数为ξi,j，则数据点p(i,j)的置信度为：
其中，ξi,j表示p(i,j)点邻域中处于置信度区间数据点的个数；
7.根据权利要求6所述的方法，其特征在于，步骤(5)中，设定粗差定位所需的置信度阈值，若数据点p(i,j)的置信度大于所述置信度阈值，则判定该数据点对应的观测值为非粗差值；否则，定位该数据点对应的观测值为粗差。
8.根据权利要求7所述的方法，其特征在于，对包括数据点p(i,j)的k×k邻域内所有的观测值求数学期望，即将其所处邻域内所有数据点的置信度作为权重进行加权求和，得出观测值的数学期望e(pi,j)，如下式：
其中，pi,j(r,s)(r＝1,2…k；s＝1,2…k)为p(i,j)点邻域中第r行和第s列的数据点；
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储计算机程序，所述计算机程序适于被所述处理器加载并执行根据权利要求1-7中任一权利要求所述的方法。