1.基于卷积神经网络的多通道人眼闭合识别方法，其特征在于，包括如下步骤：步骤1，获取人眼训练图像，包括RGB彩色图像和近红外图像，分别对RGB彩色图像和近红外图像进行归一化处理后，融合成四通道图像，将四通道图像作为卷积神经网络的输入进行训练，且输入图像的大小为28*28像素；

步骤2，卷积神经网络依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；第一卷积层采用5个5*5的感受器对输入图像进行卷积，步长为1，得到20个24*24的特征图，将20个24*24的特征图经过Relu激活函数处理后，得到20个具有非线性因素的特征图；

步骤3，第一池化层采用最大池化方式对步骤2得到的20个具有非线性因素的特征图进行池化，其中，过滤器的大小为2*2，步长为2，得到20个12*12的特征图；

步骤4，第二卷积层采用20个5*5的感受器对步骤3得到的20个12*12的特征图进行卷积，得到20个8*8的特征图，将20个8*8的特征图经过Relu激活函数处理后，得到20个具有非线性因素的特征图；

步骤5，第二池化层采用最大池化方式对步骤4得到的20个具有非线性因素的特征图进行池化，其中，过滤器的大小为2*2，步长为2，得到20个4*4的特征图；

步骤6，全连接层对步骤5得到的20个4*4的特征图进行分类，得到训练好的卷积神经网络；

步骤7，采用Kinect相机获取人脸测试图像，包括RGB彩色图像和近红外图像，对人脸测试图像进行归一化处理后，融合成四通道图像，将四通道图像输入训练好的卷积神经网络中识别，得到识别结果。

2.根据权利要求1所述基于卷积神经网络的多通道人眼闭合识别方法，其特征在于，所述Relu激活函数的具体形式如下：其中，Relu(x)表示激活函数的输出，x表示激活函数的输入。

3.根据权利要求1所述基于卷积神经网络的多通道人眼闭合识别方法，其特征在于，步骤2所述第一卷积层的实现过程为：采用可训练的感受器对输入图像进行卷积，然后加一个偏置，即得到该卷积层的卷积结果。

4.根据权利要求1所述基于卷积神经网络的多通道人眼闭合识别方法，其特征在于，步骤3所述第一池化层的实现过程为：采用最大池化方式进行池化，其中，过滤器为正方形，过滤器的边长与步长保持一致，再通过标量加权，增加偏置，产生缩小四倍的特征图，从而达到降维的目的。

5.根据权利要求1所述基于卷积神经网络的多通道人眼闭合识别方法，其特征在于，步骤1所述获取人眼训练图像所采用的相机为Kinect相机。