1.一种采用神经网络模型的护眼灯智能调节方法，其特征在于，该方法包括以下步骤：采集护眼灯未打开时的多张光线环境图像，分别对每张光线环境图像设置标签值，得到对应的标签图像，所述标签值为多组由光线强度和色温值组成的结构单元灯组；利用所述标签图像对神经网络进行训练，利用训练好的神经网络得到每张光线环境图像的关注图像；

基于所述关注图像构建K‑SVD算法的损失函数，利用EM算法对所述损失函数进行训练，以得到每张光线环境图像的稀疏向量；

获取个人数据图像的稀疏向量，所述个人数据图像是指由个人需求手动调节护眼灯后所采集的光线环境图像；计算当前光线环境图像的稀疏向量与个人数据图像的稀疏向量之间的相关性指标，利用相关性指标对当前光线环境图像的标签值进行调整，得到新标签值；

根据每张光线环境图像的新标签值得到对应的新标签图像，利用所述新标签图像对所述神经网络进行重新训练，以通过重新训练好的所述神经网络对护眼灯进行调节。

2.如权利要求1所述的一种采用神经网络模型的护眼灯智能调节方法，其特征在于，所述神经网络的训练过程包括：基于构建的损失函数，将所述标签图像输入到神经网络中，通过第一卷积层得到第一特征图，将第一特征图与第一遮罩图像相乘得到第一处理图像，所述第一处理图像通过第二卷积层得到第二特征图，将第二特征图与第二遮罩图像相乘得到第二处理图像，所述第二处理图像通过全连接层输出特征向量。

3.如权利要求2所述的一种采用神经网络模型的护眼灯智能调节方法，其特征在于，所述损失函数的构建方法为：根据第一遮罩图像和第二遮罩图像构建第一损失函数 ，其中， 为

第 个遮罩图像中第 个像素点的像素值， 为第 个遮罩图像中像素点的数量；

将所述第一损失函数和均方差损失函数进行相加，相加结果即为神经网络的损失函数。

4.如权利要求2所述的一种采用神经网络模型的护眼灯智能调节方法，其特征在于，所述利用训练好的神经网络得到每张光线环境的关注图像的方法，包括：根据训练好的神经网络获取每个光线环境图像的第一遮罩图像和第二遮罩图像，对第一遮罩图像和第二遮罩图像分别进行上采样，得到与光线环境图像相同大小的图像，将上采样得到的两个图像中相同位置的像素值进行相加求均值，得到综合遮罩图像，将所述综合遮罩图像作为对应光线环境图像的关注图像。

5.如权利要求1所述的一种采用神经网络模型的护眼灯智能调节方法，其特征在于，所述构建K‑SVD算法的损失函数的方法，包括：对第K张光线环境图像的关注图像中的像素值进行统计得到关注直方图，对所述关注直方图进行k‑means聚类，得到低关注度类别和高关注度类别；获取高关注度类别中的最小像素值，以所述最小像素值为界限，将关注图像中大于所述最小像素值的像素点划分为高关注度像素点，得到高关注度遮罩图，将所述高关注度遮罩图与第K张光线环境图像相乘得到高关注度图像 ；

所述K‑SVD算法为 的结构，其中，表示输入图像，表示字典矩阵，表示输入图像的稀疏向量；基于稀疏向量中每个稀疏值，将字典矩阵中 维度至 维度的字典向量所对应的稀疏值置0，得到第一稀疏向量 ，其中，N为字典矩阵的偶数列的列数；结合第一稀疏向量、字典矩阵和所述高关注度图像构建第二损失函数 ；

将第二损失函数和所述K‑SVD算法的原始损失函数进行相加，相加结果即为所述K‑SVD算法的改进的损失函数，则所述原始损失函数 ，其中， 为稀疏向量的L2范数。

6.如权利要求5所述的一种采用神经网络模型的护眼灯智能调节方法，其特征在于，所述计算当前光线环境图像的稀疏向量与个人数据图像的稀疏向量之间的相关性指标的方法，包括：获取个人数据图像的稀疏向量中1维度至 维度的子稀疏向量L1和个人数据图像的稀疏向量中 维度至 维度的子稀疏向量L2；

令当前光线环境图像为第K张光线环境图像，获取第K张光线环境图像的稀疏向量中1维度至 维度的子稀疏向量 和第K张光线环境图像的稀疏向量中 维度至 维度的子稀疏向量 ；

计算第K张光线环境图像的稀疏向量与个人数据图像的稀疏向量之间的相关性指标，则相关性指标 的计算公式为：其中， 为欧式距离； 为第K张光线环境图像的关注图像对应高关注度类别的像素值均值； 为第K张光线环境图像的关注图像对应低关注度类别的像素值均值。

7.如权利要求6所述的一种采用神经网络模型的护眼灯智能调节方法，其特征在于，所述利用相关性指标对当前光线环境图像的标签值进行调整，得到新标签值的方法，包括：利用相关性指标对第K张光线环境图像的标签值中每个元素值进行调整，将调整后的元素值组成新标签值，其中调整公式为：其中， 为第K张光线环境图像的标签值中调整后的第 个元素值； 为第K张光线环境图像的标签值中第 个元素值； 表示个人数据图像的标签值中调整后的第 个元素值；

表示个人数据图像的标签值中第 个元素值。