1.一种orb机器人图像配准方法，其特征在于，包括：
s1、利用hessian矩阵检测特征点的方法从第一图像中提取特征点；
s2、采用k-近邻算法在第二图像中检测每一个特征点对应的最优匹配点和次优匹配点；
s3、针对每一个特征点，获取其与对应的次优匹配点之间的距离除以其与对应的最优匹配点之间的距离的商值作为测量值；
s4、剔除测量值小于预设的第一阈值的特征点；对于剩余的各特征点，采用对称测试对特征点和对应的最优匹配点进行检测，并保留对称的特征点和对应的最优匹配点作为匹配对，并集合所有匹配对作为样本；
s5、根据样本训练获取特征点到最优匹配点的最终映射模型；
s6、对于待配准的两幅图像，将从其中一幅图像提取的特征点输入最终映射模型，最终映射模型输出另一幅图像上与各特征点对应的匹配点。
2.如权利要求1所述的orb机器人图像配准方法，其特征在于，步骤s1中提取特征点的方法具体包括：
s11、设置第一图像中任一点p的坐标为(x,y)，定义尺度为σ的hessian矩阵为：
s12、将第一图像中经过hessian矩阵处理过的每个像素点与其三维邻域的26个点进行大小比较，筛选出大于或等于对应的26个三维领域点中最大值或者小于或等于对应的26个三维领域点中最小值的像素点作为初步特征点；
s13、结合初步特征点，采用三维线性插值法得到亚像素级的特征点；集合初步特征点和亚像素级的特征点，形成从第一图像中提取的特征点。
3.如权利要求2所述的orb机器人图像配准方法，其特征在于，步骤s1中，还包括步骤s14：对于提取出的特征点，首先采用求fast角点主方向的方法计算特征点的主方向，接着采用二进制的鲁棒性独立基本特征生成特征描述子用于描述图像。
4.如权利要求1所述的orb机器人图像配准方法，其特征在于，步骤s4中，采用对称测试对特征点和对应的最优匹配点进行检测的具体方法为：针对剩余的各特征点，设左匹配为第一图像中的特征点到第二图像上对应的最优匹配点的匹配，设右匹配为第二图像上的最优匹配点到第一图像中对应的特征点的匹配；对左匹配和右匹配进行检查，获得对称的匹配作为匹配对。
5.如权利要求1所述的orb机器人图像配准方法，其特征在于，步骤s5中，采用最小平方中值算法根据样本训练获取特征点到最优匹配点的最终映射模型。
6.如权利要求5所述的orb机器人图像配准方法，其特征在于，步骤s5具体包括：s51、从样本中随机抽选部分作为训练子集，采用最小方差计算训练子集中各特征点到对应最优匹配点的映射参数，并结合映射参数建立映射模型；然后计算全部样本与映射模型的偏差作为模型评估值；
s52、重复上一步，获得多个映射模型，并根据模型评估值选择最优的映射模型作为最终映射模型。
7.如权利要求6所述的orb机器人图像配准方法，其特征在于，步骤s51中，模型评估值为
8.如权利要求7所述的orb机器人图像配准方法，其特征在于，步骤s52中，获取模型评估值中最小值对应的映射模型作为最终映射模型。