1.一种基于深层特征与浅层特征融合的人脸年龄估计方法，其特征在于，包括以下步骤：步骤A、对人脸样本数据集中的每张人脸样本图像进行预处理，获得每张人脸样本图像的人脸区域多尺度图片；

步骤B、利用步骤A所获得每张人脸样本图像的人脸区域多尺度图片对构建的初始卷积神经网络训练，获得多个用于人脸识别的卷积神经网络，并从其中选取一个用于人脸识别的卷积神经网络；

步骤C、将具备年龄标签值的人脸数据集进行预处理，得到每张人脸图像的人脸区域多尺度图片，及将得到的每张人脸图像的人脸区域多尺度图片分别作为输入对步骤B所选取的卷积神经网络进行微调处理，可获得多个用于年龄估计的卷积神经网络；

步骤D、所述每个用于年龄估计的卷积神经网络分别提取得到每张人脸图像所对应多层次的年龄特征，并将其作为深层特征输出；

步骤E、利用HOG特征和LBP特征提取算子对步骤C中具备年龄标签值的人脸数据集中每张人脸图像分别进行特征提取，及所提取的HOG特征和LBP特征作为人脸图像的浅层特征输出；

步骤F、构建深度置信网络，及将每个人脸图像所提取的深层特征和浅层特征中的HOG特征和LBP特征输入深度置信网络中进行融合，获得融合后的特征；

步骤G、根据步骤F所得融合后的特征进行人脸图像的年龄回归估计，获得和输出人脸图像所对应的年龄标签值。

2.根据权利要求1所述基于深层特征与浅层特征融合的人脸年龄估计方法，其特征在于：所述步骤A中对每张人脸样本图像预处理包括：人脸关键点定位、人脸对齐及裁剪处理。

3.根据权利要求2所述基于深层特征与浅层特征融合的人脸年龄估计方法，其特征在于：所述步骤A中通过构建级联深度神经回归网络实现人脸关键点定位。

4.根据权利要求1所述基于深层特征与浅层特征融合的人脸年龄估计方法，其特征在于：所述步骤B中构建的初始卷积神经网络包括卷积层、全连接层和输出层。

5.根据权利要求1所述基于深层特征与浅层特征融合的人脸年龄估计方法，其特征在于：所述步骤B中选取得到一个识别精度最高的用于人脸识别的卷积神经网络。

6.根据权利要求1所述基于深层特征与浅层特征融合的人脸年龄估计方法，其特征在于：所述步骤G中人脸图像的年龄回归估计包括：对人脸数据集所具备的年龄标签值采用线性回归分析得到年龄回归函数，根据所得年龄回归函数估计融合后的特征得到人脸图像所对应的年龄标签值。