1.一种基于改进集成学习策略的人脸图像年龄识别方法，其特征在于，所述识别方法包括如下步骤：

1)在集成学习模型中，需要获得多个弱分类器，每个弱分类器能独自实现对输入对象的预测估计，构建包含多个弱分类器的预测模型的步骤如下：步骤1.1：为获取性能不同的弱分类器，应用图像处理技术来丰富训练数据，包括图片放缩、旋转、剪切、直方图修正、亮度修正和色度空间转换；

步骤1.2：图片学习模型是深度卷积神经网络模型DCNN；

2)基于DCNN获得的多个弱分类器和集成获得的强分类器，均采用softmax分类器，softmax分类器是将多个由DCNN输出的标量参数值映射为一个概率分布数组，每一个概率即是对应分类标签的可能性，对于训练数据集 且si为图片数据，yi∈{1,

2,···,C}，其中C为类别标签个数，N为图片数据数量，softmax能将数据集特征提取并映射为 其中xi∈R，其模型为：其中，各参数定义如下：

概率分布数组；

x：数据映射集合；

C：类别标签个数；

T：向量转置；

参数θ＝(θ1,θ2,···,θC)通过交叉熵建立优化目标函数和优化算法求解，优化目标函数如下所示：

其中，各参数定义如下：

N：图片数据数量；

C：类别标签个数；

δ：狄利克雷函数；

R(·)：正则化约束项；

在深度卷积神经网络模型中，选择使用Adam优化器求解参数θ，基于DCNN的弱分类器通过人脸图片数据集预训练和Adam优化目标函数获得参数θ来建立，取softmax分类器输出的概率分布数组中最大分量对应的分类标签作为该弱分类器的预测结果，该过程可示为：其中，L是该分类器的预测分类标签；

3)采用改进的集成学习策略，过程为：首先，遵循投票原则的结合方法，并用设定的阈值Q把控每个弱分类器“意见”的信任度；接着，当弱分类器的信任度普遍偏低时，摒弃投票k

结合方法，并计算每个弱分类器的自信系数a作为各自的权重值；最后，用加权结合的方法得到强分类器的概率分布数组 并取它最大分量对应的分类标签作为最终的预测结果。

2.如权利要求1所述的一种基于改进集成学习策略的人脸图像年龄识别方法，其特征在于，所述步骤3)中，集成学习过程的步骤如下：步骤3.1：设定阈值Q作为每个弱分类器的把控，当弱分类器的概率分布数组最大分量大于该阈值时，它的预测结果会被信任；否则，它的预测结果不会被用于集成，若超过半数的弱分类器被信任，则进行投票原则集成，该集成过程表示为：o＞n/2；

其中，各参数和函数实现功能定义如下：L1：投票原则集成的预测分类标签；

most[]：该函数实现找到数组中最多的元素并将该元素输出的功能；

被信任的弱分类器的预测结果组成的数组；

o：被信任的弱分类器数目；

n：弱分类器的数量；

当不满足半数弱分类器被信任的条件时，投票原则集成方法被摒弃，转至步骤3.2；

步骤3.2：计算每个弱分类器的自信系数，自信系数反映了弱分类器对于预测结果的自信程度，既取决于概率分布数组中最大分量和其它分量的接近程度，也与给定阈值Q相关，该计算过程由如下表示：

其中，各参数和函数实现功能定义如下：Q：设定的阈值；

第k个弱分类器的概率分布数组；

order():该函数实现数组元素从大到小排序，当两个元素相等时随机前后顺序；

第k个弱分类器的概率分布数组各分量经从大到小排序后的数组；

S(x)：该函数为Sigmoid函数；

C：分类标签数目；

概率数组的第j个元素；

k

a：第k个弱分类器的自信系数，即权重；

k

步骤3.3：把步骤3.2获得的自信系数a 作为权重，用加权集成的方法集成弱分类器获得强分类器，加权计算强分类器概率数组并把它最大分量对应的分类标签作为最终的预测结果，该过程表示为：

其中，各参数和函数实现的功能定义如下：第k个弱分类器的概率分布数组；

加权集成获得的强分类器的概率数组；

L2：加权集成方法的预测分类标签。

3.如权利要求1或2所述的一种基于改进集成学习策略的人脸图像年龄识别方法，其特征在于：所述步骤1)中，应用图像处理技术和多元化深度卷积神经网络DCNN结合构造多个弱分类器的预测模型，具体所选用的图像处理技术和DCNN取决于图片数据的特性；步骤3)中，阈值Q的选择可结合实际工程更改；当Q较大时，加权集成方法起主要作用；当Q较小时，投票集成的方法起主要作用。