1.一种基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：所述三维点云物体识别方法包括如下步骤：步骤1.选取深度学习网络模型作为教师模型，基于训练点云数据集对教师模型进行训练，利用所述教师模型提取原始点云数据的区分性特征，并获取所述教师模型生成的软标签；

步骤2.构造一个n层宽度学习网络的stackKDBLS模型，将所述stackKDBLS模型作为学生模型，并将步骤1中获取的区分性特征进行拼接，作为学生模型的输入；

步骤3.利用步骤1深度学习网络获取的软标签信息和点云数据的真实标签对步骤2构造的stackKDBLS模型进行训练；

步骤4.若步骤3中的最终训练结果超过一个预定的阈值的话，则在原始的stackKDBLS模型的基础上，进一步堆叠一个宽度学习网络，其中：步骤2中构造的stackKDBLS模型即学生模型包括n个宽度学习系统模块，所述n个宽度学习系统模块通过残差连接堆叠，第i‑1个宽度学习系统模块的输出将作为第i个宽度学习系统模块的输入，且第i个宽度学习系统模块的输出为第1，2，…，i‑1个宽度学习系统模块的残差，i≤n，宽度学习系统模块最后输出为n个宽度学习系统模块的输出总和，每个宽度学习系统模块包括特征节点、特征节点权重、增强节点和增强节点权重，所述步骤2具体包括：假定输入数据为x，输出数据为y，则第i个宽度学习系统模块的输出为ui为：其中， 和 为特征节点与输出层的连接权重， 为随机生成的输入与特征节点之间的权重， 为随机生成的特征节点与增强节点之间的连接权重；Qp(·)是P(·)和Q(·)的复合映射，其中P(·)为特征节点的广义函数，Q(·)为增强节点的广义函数，vi＝g(ui‑

1)，g(·)为映射函数，系统的最终输出为：

2.根据权利要求1所述的基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：所述步骤1具体包括如下步骤：步骤1.1、选取深度学习网络模型，将原始点云数据作为深度学习网络模型的输入；

步骤1.2、通过深度网络模型对原始点云数据进行空间变换、特征提取和池化操作捕捉原始点云数据的全局特征和局部特征；

步骤1.3、利用训练完成的深度学习网络获取点云数据的软标签信息。

3.根据权利要求2所述的基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：所述步骤1中的区分性特征分别为全局特征和局部特征，所述全局特征是通过对输入的原始点云数据进行空间变换、特征提取和池化操作获得，它代表了点云的全局性质，对点云的几何结构和特征进行了总结和提取，所述局部特征通过确定每个点的局部邻域范围，对于选定的每个局部邻域，将其坐标规范化，最后通过卷积或者池化来获得，捕捉了在深度神经网络中间层学到的更局部和抽象的特征信息。

4.根据权利要求1所述的基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：所述 和 通过求解优化问题来获得：其中，yi是第i个宽度学习系统模块中对于训练数据vi的期望输出，λ为平衡系数，优化问题通过岭回归近似来求解：其中， Wi为特征节点和增强节点与输出层的连接权

重，I为单位矩阵。

5.根据权利要求1所述的基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：所述步骤3具体包括：步骤3.1、采取了知识蒸馏的方式，使用教师模型θ来辅助训练stackKDBLS模型，教师模型θ的logits和预测输出为：Zt＝θ(X)

Yt＝sofymax(θ(X))

其中，X为输入数据，Zt为教师模型的logits，Yt为教师模型θ的预测输出；

k +

步骤3.2、若不考虑教师模型θ，则 其中(A) 为伪逆矩阵，当使k

用教师模型θ来协助训练stackKDBLS模型时，目标输出Y的计算方式发生变化，其计算方式转为：k l

其中，k为堆叠的stackKDBLS模型的数量，t 是蒸馏温度，Y是第l个宽度学习系统模块的预测输出，1

如果k＝1，则Y＝(1‑1/t)YGT+1/tYt，无需考虑前k个stackKDBLS模型输出的汇总。

6.根据权利要求1所述的基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：步骤4中，为了确定是否将更多的宽度学习网络堆叠到stackKDBLS模型中，使用KL散度来度量k预测输出Y与目标输出之间的差异，其中KL散度的计算公式为：k k

L＝DKL(Y||YGT)

k

如果L大于预定的阈值ε，那么就额外添加一个宽度学习网络，以提高模型的性能。