1.一种基于点云特征图的实时三维行为识别方法，其特征在于：包括以下步骤：S1、将深度序列转化为点云序列；

S2、使用静态点云方法作为虚拟行为生成序列模块，将点云序列抽象为虚拟行为序列；

S3、构建并行的点云外观图模块和点云运动图模块，点云外观图模块用于生成点云外观图并形成点云外观图描述符；点云运动图模块用于生成点云运动图并形成点云运动图描述符；

S4、融合点云外观图描述符和点云运动图描述符，生成每个行为序列的最终特征；

S5、将每个行为序列的最终特征发送到一个完全连接的分类器中，进行三维行为识别；

步骤S3具体包括以下分步骤：

S3.1、生成深度运动图像DMI，深度运动图像DMI的计算公式如下：DMI(i,j)=MAXt=1,...,T(I(i,j,T))；

其中，I(i,j,T)是像素位置(i,j)上第T个深度帧的像素值，t的范围是从帧1到T,T表示虚拟行为帧的数量；

S3.2、基于MLP‑Mixer结构构建点云外观图模块，以虚拟行为序列 作为点云外观图模块的输入，其中C表示虚拟行为序列的特征维度，点云外观图模块包括帧间MLP块、帧内MLP块以及max‑pooling层；通过点云外观图模块生成点云外观图，形成点云外观图描述符；

MLP‑Mixer是一个网络架构，用于将不同位置和不同通道的信息特征进行混合；

S3.3、基于MLP‑Mixer结构构建点云运动图模块，点云运动图模块包括帧间MLP块、帧内MLP块以及sum‑pooling，其中帧间MLP块、帧内MLP块分别对应与点云外观图模块中的帧间MLP块、帧内MLP块结构相同；通过点云运动图模块生成点云运动图，形成点云运动图描述符；

步骤S3.2中，帧间MLP块包括两个全连接层、一个非线性层以及一个跳过连接层，帧间MLP块形式化如下： ；

其中，表示逐元素非线性，W1和W2表示帧间MLP块中的全连接层，全连接层用于将特征图转化成一个一维的向量；Y是虚拟动作序列的中间特征矩阵，*代表全部，V表示虚拟动作帧，d代表特征维度的层数，d的范围是从1到D，LayerNorm表示归一化层，用于限制数据的范围；

帧内MLP块，作用于虚拟动作序列的中间特征矩阵Y的行，并在所有虚拟行为帧之间共享，帧内MLP块形式化如下： ；

其中，W3和W4表示帧内MLP块中的全连接层，M表示虚拟动作序列的更新特征矩阵；

步骤S3.2中，通过使用MLP‑mixer(·)函数代替帧间MLP块和帧内MLP块来简化点云外观图模块的公式，将虚拟动作序列的更新特征矩阵M的公式改写为：Mt=MLP ‑ Mixer(Vt)；

根据虚拟动作序列的更新特征矩阵M的计算公式，点云外观图模块形式化如下： ；

其中，d表示特征维度的层数，V表示虚拟动作帧；

步骤S3.3中，点云运动图模块依次计算两个虚拟行为帧之间的运动能量，得到运动能量序列 ，如下式所示： ；

其中,V表示虚拟动作帧，Et表示两个虚拟行为帧之间的运动能量；

步骤S3.3中，点云运动图模块形式化如下：

 ；

其中，M表示虚拟动作序列的更新特征矩阵,V表示虚拟动作帧，Et表示两个虚拟行为帧之间的运动能量，d代表特征维度的层数。

2.根据权利要求1所述的一种基于点云特征图的实时三维行为识别方法，其特征在于：所述步骤S1具体包括以下步骤：

S1.1、将每个点的深度序列划分为等长的T个片段；

S1.2、在训练阶段，在每个片段中随机选择一帧；

S1.3、在测试阶段，在每个片段的固定时间位置选择一帧，获得具有T帧的新深度序列；

S1.4、将选取的点云帧中的像素位置和像素值转换为三维坐标(X，Y，Z)，将T帧的新深度序列转换为原始点云序列；

S1.5、在每个原始点云帧中随机选取N个点，形成最终的点云序列 ，其中表示第t个点云帧的无序点集。

3.根据权利要求1所述的一种基于点云特征图的实时三维行为识别方法，其特征在于：所述步骤S2具体包括以下分步骤：

S2.1、执行两次来自Pointnet++的集合抽象操作，对每个点云帧中的点云进行下采样；

S2.2、使用PointNet层合并所有下采样点的信息，生成构成虚拟行为序列的虚拟行为帧；

S2.3、经过两次集合抽象操作后，将下采样点生成虚拟行为帧，沿时间维度变化的虚拟行为帧构成虚拟行为序列 ，T表示虚拟行为帧的数量，C表示虚拟行为序列的特征维度，R代表实数空间。

4.根据权利要求3所述的一种基于点云特征图的实时三维行为识别方法，其特征在于：所述步骤S2.1中，集合抽象操作包括采样层、分组层以及Pointnet层，采样层从输入点中选择一组点，定义局部区域的质心；分组层通过寻找质心周围的相邻点来构造局部区域集。