1.一种基于烟花深度信念网络的人脸性别识别方法，其特征在于它包括下述步骤：(1)原始图像预处理

将原始彩色图像转化为灰度图像，并分割出人脸部分，转化为一维向量，每一行向量表示一张图像；

(2)训练深度信念网络

设置深度信念网络输入层、隐层和输出层的层数，以及各层节点数，通过贪婪逐层无监督学习，得到深度信念网络初始参数空间：θ1＝(W,B,C)

式中W为网络的权值，B为隐层的偏置，C为可视层的偏置；

(3)用烟花算法优化深度信念网络初始参数空间

在有监督学习阶段，用烟花算法寻找全局最优点，用共轭梯度法对全局最优点进行局部搜索，用烟花算法和共轭梯度法优化深度信念网络初始参数空间，步骤如下：

1)设置烟花算法有限的最大迭代次数，将其作为烟花算法的终止条件，初始化M个烟花，M为5～20的整数，将深度信念网络初始参数空间θ1作为其中的一个烟花,其余M-1个初始烟花由如下公式得出：θ＝rand(1,n)×(UB-LB)+ones(1,n)×LB   (1)其中，

式中，n为深度信念网络初始参数空间θ1的元素数，H为深度信念网络隐层总数，1≤H≤

3，Ds为第s个隐层的节点数，Ds为100～500的正整数，D0为输入图像的像素数，rand(1,n)表示生成一个1×n矩阵，矩阵中每一个元素为(0,1)区间的一个随机实数，ones(1,n)表示生成一个1×n矩阵，矩阵中所有元素全为1，UB为烟花算法搜索空间的上界，UB为1～5的整数，LB为烟花算法搜索空间的下界，LB为-5～-1的整数；

2)使用烟花算法寻找种群最优个体θ*

3)使用共轭梯度法继续寻找最优个体θ*的最优解，如果找到，则更新种群最优个体θ*，否则保持种群最优个体θ*，将种群最优个体θ*作为下一代的烟花，若满足终止条件，则执行步骤4)，否则跳转到步骤2)；

4)返回种群最优个体θ*，作为深度信念网络参数空间；

(4)使用烟花算法优化的深度信念网络进行人脸性别识别

将测试图像输入到经过优化的深度信念网络，第s个隐层第j个节点的特征向量由下式得到：式中， 为第s个隐层第j个节点的偏置， 为连接第s-1个隐层第i个节点和第s个隐层第j个节点的权值， 为第s-1个隐层第i个节点的特征向量， 表示输入图像第i个像素归一化的灰度值，x为深度信念网络输入图像；

输入测试图像，在输出层得到网络预测的男女性别，其性别由下式得到：式中， 为输出层第j个节点的偏置，DH为第H个隐层的节点数， 为连接第H个隐层第i个节点和输出层第j个节点的权值，x为深度信念网络输入图像， 为第H个隐层第i个节点的特征向量，J为输入图像的判断性别，当J是1时为男性，J是2时为女性。

2.根据权利要求1所述的基于烟花深度信念网络的人脸性别识别方法，其特征在于：在烟花算法优化深度信念网络初始参数空间步骤(3)中，所述的种群最优个体θ*用烟花算法按下式确定：式中，θt为烟花种群中第t个个体，N为输入的有限训练图像总数， 为第k张输入图像的真实标签， 为输出层第j个节点的偏置，DH为第H个隐层的节点数， 为连接第H个隐层第i个节点和输出层第j个节点的权值，xk是第k张输入图像， 为第H个隐层第i个节点的特征向量。

3.根据权利要求1所述的基于烟花深度信念网络的人脸性别识别方法，其特征在于：在训练深度信念网络步骤(2)中，所述的设置深度信念网络输入层、隐层和输出层的层数分别包括1个输入层、3个隐层、1个输出层；其中输入层节点数为576，第一个隐层节点数为400，第二个隐层节点数为400，第三个隐层节点数为200，输出层节点数为2。