1.一种应用于点云的三维人脸识别方法，其特征在于，包括以下步骤：S1、采用3DMM进行3D人脸数据生成；

S2、构建基于KPConv的人脸点云识别网络结构；

S3、根据人脸数据具有较高的类内相似性和类间差异性，采用改进后的中心损失函数进行网络优化，在计算每个点云特征向量与其所属类别中心的距离时，使用余弦相似度替换原来的欧氏距离，目的是利用余弦计算2个特征向量之间的夹角，更加关注人脸数据的方向，对于不同长度的人脸特征向量能够做出正确的判断；

步骤S3进行网络优化中，在计算每个点云特征向量与其所属类别中心的距离时，利用特征嵌入之间的余弦相似度作为匹配分数的分类器，对不同长度的人脸特征向量做出正确的判断，如下所示：（6）

其中，Lc表示损失函数，xi'表示更新后的点，N为点云总数，d表示计算两个向量之间的余弦距离， 表示第i个样本所属类别 的类别中心；m表示总的类别数， 表示第j个类别的类别中心， 表示正则化项系数。

2.根据权利要求1所述的一种应用于点云的三维人脸识别方法，其特征在于，在步骤S1生成3D人脸数据中，以PCA为基础学习遵循高斯分布的形状、纹理、表情属性特征，具体如下所示：（1）

其中，S表示生成的人脸，p表示一个特定的形状，由均值向量和各个主成分即特征向量的线性组合构成； 是所有形状向量的平均值， 是主成分系数， 是特征向量矩阵，是噪声特征向量矩阵， 是噪声系数。

3.根据权利要求2所述的一种应用于点云的三维人脸识别方法，其特征在于，引入数据增强算法，提高数据的多样性，即公式（1）中的噪声表示为面部表情变化与人脸姿势变化，如下所示：（2）

其中，p表示主成分特征向量， 是平均人脸， 主成分形状特征矩阵， 为PCA基函数， 为表情系数；R为旋转矩阵，表示人脸的旋转；M缩放矩阵，表示人脸的缩放；L为位移矩阵，表示人脸的位移；G为人脸姿势的参数化函数，通过控制姿势参数 ，对人脸进行旋转、缩放和位移。

4.根据权利要求3所述的一种应用于点云的三维人脸识别方法，其特征在于，在生成人脸时，从β与 中随机选取一个 和 ，得到 与 ，如下所示：（3）

（4）

其中，λ是(0,1)； 为 、 之间的随机值，遵循正

态分布。

5.根据权利要求1所述的一种应用于点云的三维人脸识别方法，其特征在于：在步骤S2构建人脸点云识别网络结构中，给定一组面部点云 ，设计一个直接输入点云坐标的端到端网络，保证三维数据的旋转不变性和变换不变性，验证是否属于一个身份，网络的输出一个特征向量，采用余弦相似度来反映两个输入人脸特征向量之间属于同一主题抓取的概率。

6.根据权利要求5所述的一种应用于点云的三维人脸识别方法，其特征在于，基于KPConv的网络架构，引入一个可学习的卷积核，用来计算每个点的特征，对每个点i周围的领域集合执行卷积运算，并对每个邻域内的点j计算一个权重 ，表示点j对点i的影响；随后，将这些邻域内的点的特征向量按照对应的权重进行加权求和，得到点i的特征向量 ，如下所示：（5）

其中，xi表示第i个点， 表示第i个点的特征， 表示第j个点的位置， 表示特征向量， 是卷积核的权重参数， 是第i个点的邻域集合。