1.一种基于多支路CNN架构的人脸年龄估计方法，其特征在于包括以下步骤步骤1，引入数据集，构建CNN架构，数据集导入CNN架构中并训练出一个用于识别黑种男性、黑种女性、白种男性、白种女性、黄种男性以及黄种女性的CNN模型；图像先进入该CNN模型进行人种和性别筛选并输出识别结果，结果输出是一个6×1的列向量，用Fkgroup，k∈{BM，BF，WM，WF，YM，YF}表示，其值表示输入图像与特定的人脸属性k的匹配概率；

步骤2，将步骤1中训练得到的模型的前半部分架构与参数保存，作为共享层，设置共享层的目的在于加强年龄属性对于接下来的年龄估计任务的影响程度；

步骤3，在共享层之后，再次构建CNN架构，该CNN架构由6条支路组成，6条支路分别作用于识别黑种男性、黑种女性、白种男性、白种女性、黄种男性以及黄种女性的年龄属性人脸图片的年龄估计，该6条支路的最后全连接层的输出结果均为一个m×1的列向量，m为年龄的数量，用Fk，k∈{BM，BF，WM，WF，YM，YF}表示，其值表示输入图像在人脸属性k的匹配基础上与特定的m个年龄的匹配程度；

步骤4，在由6条支路组成的CNN模型之后建立公共融合层，在公共融合层部分采用公式

1将6条支路特征融合，公共融合层的公式为

Fa＝ΣFkgroup·Fk，k∈{BM，BF，WM，WF，YM，YF}               (1)Fa是融合后的参数向量，是一个m×1的列向量，m为年龄的数量，表示该张图片最终的年龄估计权重，此时得到结果已经将不同人种、性别的人脸图像的差异信息考虑在内；公共融合层后接的目标函数采用交叉熵损失函数，该目标函数用于计算模型识别年龄真实值与预测值之间的误差损失并用随机梯度下降算法对6条支路的权重参数进行更新。

2.根据权利要求1所述的基于多支路CNN架构的人脸年龄估计方法，其特征在于在步骤

1中，用于构建CNN模型的模型包括VGG和Resnet模型，具体的模型选用视具体情况而定。

3.根据权利要求2所述的基于多支路CNN架构的人脸年龄估计方法，其特征在于使用相同的模型构建6条CNN模型，并采用相同的参数初始化方法。

4.根据权利要求1所述的基于多支路CNN架构的人脸年龄估计方法，其特征在于在步骤

4中，交叉熵损失函数公式为 其中N为训练图片总量，yi为第i张训

练图片经过CNN架构得到的年龄预测结果，为第i张训练图片的真实年龄标签，该损失函数计算了训练图片的真实值与经过CNN架构得到的预测值之间的累计误差。

5.根据权利要求2所述的基于多支路CNN架构的人脸年龄估计方法，其特征在于在步骤

4中，采用随机梯度下降算法作为模型优化算法，由于该算法相较于传统的批量梯度下降算法通过每次计算一个样本的方式避开了在每次参数更新前对相似的样本进行梯度的重复计算冗余，因此具有更快的优化速度，随机梯度下降算法以一个训练样本xi和预测值yi参数更新，参数更新公式为 其中θ为权重，η为学习率，J为待优化的目标函数。