1.一种基于迁移学习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)采用改善图片亮度均衡性的预处理技术；

2)使用深度卷积神经网络DCNN来实现图片特征提取，采用迁移学习的方法来训练DCNN，包括以下步骤：步骤2.1：将人脸图片数据分为三部分：训练集，验证集和测试集，并保证训练集中的图片不会出现在验证集和测试集中；

步骤2.2：调用参数已经在ImageNet上预训练好的DCNN，应用迁移学习训练人脸图片数据，保证该DCNN除全连接层外的参数不变，因此，迁移学习只微调了DCNN全连接层的参数；

步骤2.3：训练过程中，随着训练集的精度和损失量持续改善，但验证集的精度和损失量不再发生明显的变化时，认为DCNN训练完毕，同时保存FC中微调的参数；

3)使用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；

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：图片数据数目；

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的分类器通过人脸图片数据集训练和Adam优化目标函数获得参数θ来建立，在预测阶段取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分类器的预测结果，该过程表示为：其中，L是该分类器的预测分类标签。

2.如权利要求1所述的一种基于迁移学习的人脸图像年龄识别方法，其特征在于，所述步骤1)中，预处理过程如下：步骤1.1：从原始RGB图像中分别提取三个分量的值；

步骤1.2：计算三个分量的均值，并分别表示为Raver，Gaver，Baver，该计算过程如下表示：其中，各参数定义如下：

Raver：R分量的均值；

Gaver：G分量的均值；

Baver：B分量的均值；

m：图片像素数目；

Ri：第i个像素的R分量的值；

Gi：第i个像素的G分量的值；

Bi：第i个像素的B分量的值；

步骤1.3：计算全局灰度系数Qaver，该过程如下所示：其中，Qaver为全局灰度系数；

步骤1.4：计算每个分量的增益系数，该过程如下所示：其中，参数定义如下：

Nr：R分量增益系数；

Ng：G分量增益系数；

Nb：B分量增益系数；

步骤1.5：重新构造图像RGB新分量，该过程如下所示：其中，参数定义如下：

R*：新的R分量；

G*：新的G分量；

B*：新的B分量；

* * *

步骤1.6：把得到的新分量R ，G ，B修正在范围[0～255]内，对于大于255的分量值，设定为255；对于小于0的分量值，设定为0；对于范围内的分量值保持不变；

步骤1.7：根据修正后的新分量构建图片。