1.一种基于神经网络的极低功耗光学目标检测方法，其特征在于：包括以下步骤：

a.构建卷积神经网络，并将目标数据库中的每幅图像送入构建的卷积神经网络中提取目标图像特征；

b.对提取的目标图像特征进行归一化处理，并仿射投影到低维空间，得到投影矩阵，通过损失函数训练投影矩阵，得到每一幅图像的目标样本；

c.寻找卷积核权重值，经过训练选择平均识别精度最高的卷积神经网络框架，所述卷积神经网络框架的结构包括：光线输入层-卷积层-激励函数-卷积层-激励函数-卷积层-激励函数-全连接层-光线输出层；

d.搭建可学习的光学棱镜装置并应用到标准目标检测数据库中，将待检测目标样本的特征通过光学棱镜装置转变为带有目标信息的光线射入卷积神经网络框架进行训练，学习获得每层卷积核权值；寻找卷积神经网络框架的激励层的阈值，经过训练测试，选择形成目标位置精度最高的激励函数；

e.根据各层卷积核权值、激励函数设置光学棱镜框架中光学棱镜的色散系数、滤光膜的阈值，根据各层光学棱镜的色散系数定制散射镜，通过光学棱镜和滤光膜分别进行色散、过滤，并通过散射镜形成目标光斑，最后通过摄像头成像。

2.根据权利要求1所述的基于神经网络的极低功耗光学目标检测方法，其特征在于：步骤d获得每层卷积核权值后，验证目标检测精度，若大于等于设定的阈值，则将步骤d训练后的模型参数进行保存；若小于设定的阈值，则重新执行步骤c。

3.根据权利要求1所述的基于神经网络的极低功耗光学目标检测方法，其特征在于：通过前向传播与反向传播相结合的方式获取准确卷积核权值：前向传播：目标图像从所述光线输入层进入所述卷积神经网络框架，与对应卷积核的权值进行加权和运算，偏置项值为0，再透过一层激励层，最后得到的结果即为本层输出结果；若输出层实际输出与期望输出相同，结束学习，保存卷积核权值；若输出层得到的输出结果与期望输出不同，则转至误差反向传播过程；

反向传播：将实际输出与期望值之差按原卷积层通道反传计算，通过卷积层反向传播至光线输入层，在反传过程中将误差分摊给各层的各个单元，获得各单层的误差信号，并将其作为修正各单元权值的依据；在不停地调整各层卷积核权值和阈值后，使误差信号减小到最低限度。

4.根据权利要求3所述的基于神经网络的极低功耗光学目标检测方法，其特征在于：在反向传播过程中映射成高维输入时，根据反卷积原理将卷积核翻转180度，并逐步提取目标信息，所述光学棱镜根据翻转180度后的卷积核权值改变棱镜角度，获取每层棱镜色散系数。

5.根据权利要求1所述的基于神经网络的极低功耗光学目标检测方法，其特征在于：带有目标信息的光线进入光学棱镜后在每一层进行不同权值的光线色散操作，每一层根据不同的色散系数获取对应的目标信息光线；所述滤光膜对光学棱镜散射后的光线进行筛选，过滤掉阈值外光线；所述散射镜根据色散后含目标信息光线在目标位置形成目标光斑。

6.根据权利要求1所述的基于神经网络的极低功耗光学目标检测方法，其特征在于：目标光斑形成后，经过特殊散射镜根据色散系数将光斑映射回原始图片，标定目标位置，形成目标框。

7.根据权利要求1所述的基于神经网络的极低功耗光学目标检测方法，其特征在于：所述目标数据库可采用CASIA-WebFace人脸数据库或通过电子终端的开发接口获取并由电子终端设备图像采集单元采集的原始人脸图片。

8.用于权利要求1-7任一项所述的基于神经网络的极低功耗光学目标检测方法的装置，其特征在于：包括可安装于电子设备前置镜头位置的光学棱镜装置，所述光学棱镜装置包括多层光学棱镜、多层滤光膜、含特定散射率的散射镜；所述棱镜层层叠加；所述滤光膜数量根据激励函数决定，且镶嵌于光学棱镜后；所述散射镜嵌于最后一层光学棱镜层后。

9.根据权利要求8所述的基于神经网络的极低功耗光学目标检测装置，装置，其特征在于：所述光学棱镜采用可改变色散系数的刚性光学玻璃或碱金属卤化物晶体材料制成，所述滤光膜采用玻璃晶体或碳化硅材料运用离子幅度介质膜工艺技术制成，所述散射镜采用镀膜硅片制成。

10.根据权利要求8所述的基于神经网络的极低功耗光学目标检测装置，装置，其特征在于：所述光学棱镜装置后接有一个分光镜。