1.基于多时空信息融合的抗年龄干扰的人脸识别方法，其特征在于该方法提取的初始的多时空人脸特征是由每个训练样本中同一个人的不同年龄的人脸图像，从时间维度和空间维度提取人脸特征后再进行信息融合后得到的；基于提取的每个人相应的多时空人脸特征，先提取出初步的年龄特征，然后计算提取的年龄特征在多时空人脸特征上的投影，表示年龄投影特征；再然后基于提取的每个人相应的多时空人脸特征和年龄投影特征进行特征的线性变换，最终得到每个人相应的身份特征；再从多时空人脸特征中去掉与身份特征相关的年龄特征；且在得到身份特征和年龄投影特征后进一步进行相似度度量，并通过相似性损失函数的约束逐渐降低提取的每个人相应的身份特征和年龄特征的相关性，提高跨年龄识别人脸的准确度。

2.根据权利要求1所述的基于多时空信息融合的抗年龄干扰的人脸识别方法，其特征在于该方法具体实现步骤如下：步骤1、数据集的预处理；

所述的数据集包括训练集、验证集以及测试集；

步骤2、批数据的加载：

每个训练样本包括同一个人的不同年龄的人脸图像及每张图像对应的年龄标签和身份标签；所述的年龄标签为年龄或者出身年份，身份标签为唯一的名称或者身份证号；

因此加载的批数据包括多个训练样本，每个训练样本包括同一个人的多张人脸图像；

步骤3、多时空人脸特征的提取：

为了获取能够充分表达每个人的人脸身份的特征，从时间维度和空间维度两个方面对每个人相应的人脸图像进行人脸初始特征的提取，且多时空人脸特征的提取包括如下两个部分：空间维度的人脸特征提取和时间维度的人脸特征融合；

步骤4、人脸特征的去相关：

基于上述空间维度人脸特征的提取和时间维度人脸特征的融合，得到初始的多时空人脸特征；

所述人脸特征的去相关是指从多时空人脸特征中去掉与身份特征相关的年龄特征；人脸特征去相关模块包括两个部分：年龄特征投影模块和身份特征提取模块；

步骤5、人脸特征提取的损失函数

随着模型的训练，需要通过损失函数来降低模型的训练损失，并不断更新模型的参数；

所述人脸特征提取的损失函数主要包括如下三个部分：身份损失函数、年龄损失函数以及相关性损失函数。

3.根据权利要求2所述的基于多时空信息融合的抗年龄干扰的人脸识别方法，其特征在于步骤1具体实现如下：

1-1.数据集的获取：

选取跨年龄人脸识别公开数据集，并划分为训练集、验证集以及测试集；

1-2.对数据集中人脸图像进行预处理：

1-2-1.用MTCNN先对数据集中的人脸图像进行检测与对齐；

1-2-2.将对齐后的RGB人脸图像转换成单通道的灰度图；

1-2-3.基于给定的参数对灰度图进行重置分辨率，获得人脸图像Ⅰ；

1-2-4.根据给定的尺寸对人脸图像Ⅰ进行随机裁剪，要求裁剪后的得到的人脸图像的尺寸匹配模型的输入尺寸；

1-2-5.对裁剪后得到的人脸图像进行标准化，即先减去均值再除以标准差。

4.根据权利要求2或3所述的基于多时空信息融合的抗年龄干扰的人脸识别方法，其特征在于步骤3具体实现如下：所述的空间维度的人脸特征提取如下：

基于步骤1的预处理和步骤2的批数据加载的方式，将预处理后的人脸图像输入人脸特征提取模型，用于从空间维度对单张人脸图像进行人脸特征提取；所述的人脸特征提取模型以卷积神经网络为主，包括残差网络ResNet、LightCNN模型；

所述的时间维度的人脸特征融合：

基于空间维度的人脸特征提取后，将同一个人的多张不同年龄人脸图像的空间维度的人脸特征输入融合模型，从而从时间维度上对特征进行融合；所述的融合模型以循环神经网络为主，将每个训练样本中同一个人的多张不同年龄人脸图像的空间维度人脸特征作为输入，使得前一时刻输出的人脸特征作为下一时刻融合模型的输入，即融合模型网络的输出不仅依赖当前时刻的相应年龄的人脸特征作为输入，还和上一个时刻输出的相应年龄的人脸特征有关；让融合模型对同一个人的不同年龄的人脸特征产生记忆，输出同一个人的多时空人脸特征；最终实现时间维度上的人脸特征的信息融合；所述的融合模型包括长短期记忆网络LSTM、GRU。

5.根据权利要求4所述的基于多时空信息融合的抗年龄干扰的人脸识别方法，其特征在于步骤4具体实现如下：基于上述空间维度人脸特征的提取和时间维度人脸特征的融合，得到初始的多时空人脸特征；

所述人脸特征的去相关是指从多时空人脸特征中去掉与身份特征相关的年龄特征；人脸特征去相关模块包括两个部分：年龄特征投影模块和身份特征提取模块；

所述年龄特征投影模块是指基于提取的每个人相应的多时空人脸特征，先提取出初步的年龄特征，然后计算提取的年龄特征在多时空人脸特征上的投影，表示年龄投影特征；具体地，基于人脸相应的多时空人脸特征Xtime-space和年龄特征Xage，计算年龄投影特征Xage-projection的公式如下：基于上述(1)式所求得的Xage-projection即为年龄特征在多时空人脸特征上的年龄投影特征；

所述身份特征提取模块是指基于提取的每个人相应的多时空人脸特征Xtime-space和年龄投影特征Xage-projection进行特征的线性变换，最终得到每个人相应的身份特征；具体地，基于提取的多时空人脸特征Xtime-space和年龄投影特征Xage-projection，计算身份特征Xidentity的公式如下：Xidentity＝Xtime-space-Xage-projection  (2)基于上述式(2)所求得的身份特征Xidentity即为去相关后的身份特征。

6.根据权利要求5所述的基于多时空信息融合的抗年龄干扰的人脸识别方法，其特征在于步骤5具体实现如下：所述人脸特征提取的损失函数主要包括如下三个部分：身份损失函数、年龄损失函数以及相关性损失函数；具体地，人脸特征提取的各个相应的损失函数实施方案如下：所述的身份损失函数Lidentity：

选择CosFace作为具体的身份损失函数Lidentity，损失函数公式如下：上述的(3)式中，N为训练样本的数量，s为超球面的半径超参数，m为margin超参数，θyi为第yi类的权重向量与真值特征向量的夹角；

所述的年龄损失函数Lage使用分类问题的损失函数，选择交叉熵损失函数作为年龄判别的损失函数；

所述的相似性损失函数Ls：

基于前述提取人脸相应的年龄投影特征和身份特征，通过计算提取的去相关后的年龄投影特征和身份特征的相似度来衡量身份特征的去相关损失；通过相关性损失函数的约束使年龄投影特征和身份特征的相关性越来越小，不断进行参数的更新与优化，最终实现人脸的年龄投影特征和身份特征的相关性最小，即实现抗年龄干扰的人脸身份特征的提取与识别；具体地，基于每个人相应年龄投影特征Xage-projection和身份特征Xidentity的相似度计算公式如下：Ls＝exp(|P|)

其中，上述(4)式中的Mage-projection和Midentity分别表示年龄投影特征的统计均值和身份特征的统计均值，Vage-projection和Videntity分别表示年龄投影特征的方差和身份特征的方差，ε表示一个极小的常数，用于保证分母的非负性；

基于身份损失函数、年龄损失函数和相似性损失函数，总的训练损失函数L为三者的线性组合，具体地，如下式所示：L＝Lidentity+αLage+βLs  (5)

其中，α和β为训练的超参数，用来平衡三个损失函数的权重。