1.一种人脸图像的年龄识别方法，应用于电子装置，其特征在于，该方法包括：获取摄像装置拍摄的一张实时图像，利用人脸识别算法从该实时图像中提取出人脸区域；

将该人脸区域输入预先确定的年龄识别模型，提取出一个n维特征向量Y[y0,y1,…,yi,…,yn]，其中，i∈[0,n]，0≤n≤100；及将所述特征向量Y[y0,y1,…,yi,…,yn]输入年龄识别公式，识别所述实时图像中人脸的年龄，其中，所述年龄识别公式为：age＝arg_max(Y)。

2.如权利要求1所述的人脸图像的年龄识别方法，其特征在于，所述预先确定的年龄识别模型的训练步骤包括：A、准备各个年龄对应的预设数量的人脸样本图像，对人脸样本图像进行规范化处理形成年龄样本图像；

B、为每张年龄样本图像标注对应的年龄标签，形成样本集；及

C、利用卷积神经网络随机读取样本集中的年龄样本图像，从该年龄样本图像中提取不同年龄对应的特征，并组合该特征生成该年龄样本图像对应的n维特征向量；

D、计算所述n维特征向量的损失值，利用随机梯度下降法及所述n维向量对应的年龄标签对所述卷积神经网络的参数进行更新；及E、反复执行步骤A-D，直到从年龄样本图像中提取的n维特征向量的损失值不再下降为止。

3.如权利要求2所述的人脸图像的年龄识别方法，其特征在于，所述损失值的计算公式如下：其中，xi表示年龄的特征向量Y，cyi表示和特征向量Y维度一样的中心特征向量，即第yi类的特征中心，且cyi的初始化值为全0，W表示所述卷积神经网络的全连接层的参数矩阵，b表示偏置，Wj表示W的第j列，m表示更新一次模型参数输入的样本个数。

4.如权利要求2所述的人脸图像的年龄识别方法，其特征在于，所述步骤C还包括：利用卷积神经网络随机读取训练集中的年龄样本图像，给该年龄样本图像的年龄标签加一个预设区间内的正态分布随机数，形成一个新的年龄标签。

5.如权利要求4所述的人脸图像的年龄识别方法，其特征在于，所述新的年龄标签需满足以下条件：label＝labeli+N(μ+σ2)

其中，label表示卷积神经网络随机读取的年龄样本图像的新的年龄标签，labeli表示随机读取的年龄样本图像原有的年龄标签，N(μ+σ2)表示均值为0、标准差为1的正太分布随机数，μ＝0，σ2＝1。

6.如权利要求2所述的人脸图像的年龄识别方法，其特征在于，所述步骤A中的规范化处理步骤包括：将各张人脸样本图像的较短边长缩放到第一预设大小以获得对应的第一图片，在各张第一图片上随机裁剪出一个第二预设大小的第二图片；

根据各个预先确定的预设类型参数对应的标准参数值，将各张第二图片的各个预先确定的预设类型参数值调整为对应的标准参数值，以获得对应的第三图片；

对各张第三图片进行预设方向的翻转操作，及按照预设的扭曲角度对各张第三图片进行扭曲操作，以获得各张第三图片对应的第四图片，将各张第四图片作为年龄样本图像。

7.如权利要求1所述的人脸图像的年龄识别方法，其特征在于，所述人脸识别算法可以为基于几何特征的方法、局部特征分析方法、特征脸方法、基于弹性模型的方法及神经网络方法。

8.一种电子装置，其特征在于，该电子装置包括：存储器、处理器，所述存储器存储有人脸图像的年龄识别程序，所述人脸图像的年龄识别程序被所述处理器执行时，可实现以下步骤：获取摄像装置拍摄的一张实时图像，利用人脸识别算法从该实时图像中提取出人脸区域；

将该人脸区域输入预先确定的年龄识别模型，提取出一个n维特征向量Y[y0,y1,…,yi,…,yn]，其中，i∈[0,n]，0≤n≤100；及将所述特征向量Y[y0,y1,…,yi,…,yn]输入年龄识别公式，识别所述实时图像中人脸的年龄，其中，所述年龄识别公式为：age＝arg_max(Y)。

9.如权利要求8所述的电子装置，其特征在于，所述预先确定的年龄识别模型的训练步骤包括：A、准备各个年龄对应的预设数量的人脸样本图像，对人脸样本图像进行规范化处理形成年龄样本图像；

B、为每张年龄样本图像标注对应的年龄标签，形成样本集；及

C、利用卷积神经网络随机读取样本集中的年龄样本图像，从该年龄样本图像中提取不同年龄对应的特征，并组合该特征生成该年龄样本图像对应的n维特征向量；

D、计算所述n维特征向量的损失值，利用随机梯度下降法及所述n维向量对应的年龄标签对所述卷积神经网络的参数进行更新；及E、反复执行步骤A-D，直到从年龄样本图像中提取的n维特征向量的损失值不再下降为止。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括人脸图像的年龄识别程序，所述人脸图像的年龄识别程序被处理器执行时，可实现如权利要求1至7中任一项所述的人脸图像的年龄识别方法的步骤。