1.一种红外-可见光图像配准方法，其特征在于，包括：获取红外图像与可见光图像；利用自监督学习网络，对获取的红外图像与可见光图像进行特征点提取，并对特征点进行描述；利用深度图卷积网络，对红外图像与可见光图像中的特征点进行匹配；根据匹配的特征点对在两幅图像中的像素坐标，利用渐进一致采样算法，得到红外图像到可见光图像的变换参数；根据所述变换参数，将红外图像的坐标变换到可见光图像坐标系下，红外-可见光图像配准；所述深度图卷积网络包括注意力图卷积网络和优化匹配层；所述注意力图卷积网络的输入为一对图像的特征点位置与描述向量的集合，输出空间信息聚合后的特征描述符；所述优化匹配层的输入为注意力图卷积网络输出的特征描述符，输出匹配结果；在注意力图卷积网络中，首先，将特征点的位置进行升维，升维后的特征点位置和描述向量与特征描述符向量相加，得到每个特征点的初始表示；然后，构建一个多元图；所述多元图的顶点为两幅图像中的所有特征点，边包括图像内边和跨图像边；所述图像内边连接单幅图像内的特征点对，所述跨图像边连接来源于两幅图像的特征点对；构建多元图后，对构建的多元图中所有顶点的特征进行消息汇聚与更新；所述优化匹配层根据更新后的特征，计算一个相似度矩阵，矩阵中的每个单元表示的是两个图像中的特征的相似度；当一幅图像中的特征点在另一幅图像中不存在匹配的特征点时，将矩阵进行扩展，扩展后矩阵新增的一行与一列用来描述特征点不存在匹配的情况。
2.如权利要求1所述的一种红外-可见光图像配准方法，其特征在于，自监督学习网络的学习过程为：构建包含三角形、四边形、立方体、和棋盘格形状的合成图像集，获取角点信息；对图像随机进行单应变换，并加噪处理，获得变换后图像中的特征点位置；利用变换后的图像及其角点信息，对自监督学习网络进行监督，学习得到具有获取红外图像与可见光图像特征点提取能力的自监督学习网络。
3.如权利要求1所述的一种红外-可见光图像配准方法，其特征在于，在得到红外图像与可见光图像中匹配的特征点对后，根据特征点对所在的像素坐标计算图像间的变换参数；其中，对所有匹配点对进行质量评价，得到Q值，根据Q值降序排列，每次迭代根据Q值降序排列结果时进行随机采样，进行模型假设与验证。
4.如权利要求1所述的一种红外-可见光图像配准方法，其特征在于，依据变换参数，将红外图像的坐标变换到可见光图像的坐标系下，按照对应位置像素取平均值，得到最终的融合图像。
5.一种红外-可见光图像配准系统，其特征在于，包括图像采集模块、特征点提取模块、特征点匹配模块、变换参数计算模块和图像配准模块；所述图像采集模块，被配置为：获取红外图像与可见光图像；所述特征点提取模块，被配置为：利用自监督学习网络，对获取的红外图像与可见光图像进行特征点提取，并对特征点进行描述；所述特征点匹配模块，被配置为：利用深度图卷积网络，对红外图像与可见光图像中的特征点进行匹配；所述变换参数计算模块，被配置为：根据匹配的特征点对在两幅图像中的像素坐标，利用渐进一致采样算法，得到红外图像到可见光图像的变换参数；所述图像配准模块，被配置为：根据所述变换参数，将红外图像的坐标变换到可见光图像坐标系下，红外-可见光图像配准；所述深度图卷积网络包括注意力图卷积网络和优化匹配层；所述注意力图卷积网络的输入为一对图像的特征点位置与描述向量的集合，输出空间信息聚合后的特征描述符；所述优化匹配层的输入为注意力图卷积网络输出的特征描述符，输出匹配结果；在注意力图卷积网络中，首先，将特征点的位置进行升维，升维后的特征点位置和描述向量与特征描述符向量相加，得到每个特征点的初始表示；然后，构建一个多元图；所述多元图的顶点为两幅图像中的所有特征点，边包括图像内边和跨图像边；所述图像内边连接单幅图像内的特征点对，所述跨图像边连接来源于两幅图像的特征点对；构建多元图后，对构建的多元图中所有顶点的特征进行消息汇聚与更新；所述优化匹配层根据更新后的特征，计算一个相似度矩阵，矩阵中的每个单元表示的是两个图像中的特征的相似度；当一幅图像中的特征点在另一幅图像中不存在匹配的特征点时，将矩阵进行扩展，扩展后矩阵新增的一行与一列用来描述特征点不存在匹配的情况。
6.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了如权利要求1-4任一项所述的红外-可见光图像配准方法中的步骤。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现了如权利要求1-4任一项所述的红外-可见光图像配准法中的步骤。
