1.基于持续学习的可扩展点云目标识别方法，其特征在于，包括如下步骤：S1、获取不同的点云目标识别数据集，并进行预处理，然后基于预设类别将数据集划分为若干批次；

S2、基于PointNet网络，构建双分支结构的知识注入网络，该知识注入网络包括稳定性分支、以及可塑性分支；

稳定性分支以各批次数据集为输入，当前特征提取器由前一阶段的训练得到的可塑性分支初始化得到，并对参数冻结；对输入数据进行前向计算，得到稳定性分支输出特征hstab；

可塑性分支以各批次数据集为输入，当前阶段的特征提取器，由前一阶段的训练得到的可塑性分支初始化得到，并且对参数优化；对输入数据进行前向计算，得到可塑性分支输出特征hplas；

对稳定性分支输出特征hstab、可塑性分支输出特征hplas进行混合，得到混合知识特hmix；

稳定性分支，包括顺序连接的参数冻结的PointNet特征编码器、冻结的差异性局部增强模块、第一池化层；可塑性分支，包括顺序连接的PointNet特征编码器、差异性局部感知模块、第二池化层；稳定性分支输出端与可塑性特征分支输出端相连，可塑性特征分支输出端与逐元素相加操作模块、分类器顺序连接；参数冻结的PointNet特征编码器、以及PointNet特征编码器分别接收单批次的的数据集，输出点云高维特征；

冻结的差异性局部增强模块以点云高维特征、点云锚点为输入，输出差异性局部增强后的点云的特征；第一池化层对差异性局部增强后的点云的特征进行最大池化操作，得到稳定性分支输出特征hstab；

差异性局部增强模块以点云高维特征、点云锚点为输入，输出差异性局部增强后的点云的特征，第二池化层对差异性局部增强后的点云的特征进行最大池化操作，得到可塑性分支输出特征hplas；

差异性局部感知模块包括空间信息感知单元、特征信息感知单元、全局差异化感知单元、特征融合模块；

空间信息感知单元对点云锚点生成最近邻点的局部邻域，然后对每个点局部空间信息级联，最后将级联后的空间信息经过多层感知MLP和最大池化操作得到点的特征特征信息感知单元利用点云锚点特征、以及锚点坐标邻近点特征进行映射，然后通过最大池操作得到局部特征信息 最后利用可学习的参数在通道维度放缩空间信息并逐元素相加，得到锚点的局部特征全局差异化感知单元对点云锚点经过多层感知MLP，得到锚点的全局特征特征融合单元对锚点的局部特征 全局特征 进行融合；

空间信息感知单元，被配置执行如下动作：

S101、使用K近邻算法为点云 中每个锚点pi生成K个最近邻点组成的局部邻域S102、将每个锚点局部的空间信息级联，如下式：其中， 是将锚点pi坐标、近邻点pi，j坐标、锚点pi和锚点pi近邻点pi，j的坐标残差、以及两者间的L2距离通过级联操作进行整合；

S103、将级联后的空间信息 通过多层感知MLP和MaxPooling进行学习，得到该点的特征，如下式：其中， 为局部邻域 的空间局部特征；

特征信息感知单元被配置执行如下动作：

S 20 1 、利 用 锚 点 pi 的 特 征 f i 与其 邻 近 点 特 征 的 边 向 量使用一组跨任务的可学习参数 和 对特征进行映射，并且通过最大池化层得到编码后局部特征信息，如下式：其中， 为局部邻域 跨任务映射后的局部特征信息，⊙为Hadamard积；

S202、引入一个可学习的参数在通道维度放缩空间信息，如下式：其中， 是以锚点pi为中心的局部特征，

为调整空间信息的可学习参数；

全局差异化感知单元被配置执行如下动作：通过编码锚点的坐标信息获得全局信息，如下式：其中， 为锚点pi的全局特征编码；

特征融合模块被配置执行如下动作：

其中， 为差异性局部增强后的锚点pi点的特征，γ为一个由多层感知MLP和Sigmoid函数构成的映射函数，将特征映射为重要性权重；

稳定性分支输出特征hstab，按如下公式获得：

hstab＝Φ′t‑1(x)；

其中， 为稳定性分支输出特征，Φ′t‑1是稳定性特征分支，x是输入点云数据；

可塑性分支输出特征hplas，按如下公式获得：hplas＝Φt(x)；

其中， 为可塑性分支输出特征，Φt是可塑性特征分支，x是输入点云数据；

混合知识特征hmix，按如下公式获得：

hmix＝λ⊙hstab+hplas；

其中， 是一个可学习的参数，⊙为Hadamard积， 是混合知识特征；

S3、对混合知识特征hmix输入至分类器，得到点云目标的分类的最终得分，将最高得分对应的类别作为识别结果。