1.一种基于集成卷积神经网络的年龄识别方法，其特征在于，步骤如下：
S1、获取年龄识别训练数据库中的训练子集并且对其进行扩充，得到扩充后的训练子集；选取出M个经过上述扩充后的训练子集训练得到的卷积神经网络分类器作为基分类器；
S2、获取待测人脸图像；
S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的年龄类别，获得最终的一个年龄类别。
2.根据权利要求1所述的基于集成卷积神经网络的年龄识别方法，其特征在于，所述步骤S1中基分类器获取过程具体如下：
S11、将年龄识别训练库分成训练集和验证集；其中年龄识别训练库包括人脸图像以及各人脸图像对应年龄类别；
S12、对训练集进行N次随机抽样，得到N个训练子集；
S13、采用图像变换方法自动扩充步骤S12中得到N个训练子集，得到N个扩充后的训练子集；
S14、随机生成N个卷积神经网络模型，然后利用步骤S13中得到的N个扩充后的训练子集分别对N个卷积神经网络模型进行训练，得到N个卷积神经网络分类器；
S15、计算N个卷积神经网络分类器在年龄识别训练库验证集上的识别准确率；
S16、选择识别准确率排名前M的M个卷积神经网络分类器作为基分类器。
3.根据权利要求2所述的基于集成卷积神经网络的年龄识别方法，其特征在于，所述步骤S12中对训练集进行的N次随机抽样为放回随机抽样。
4.根据权利要求2所述的基于集成卷积神经网络的年龄识别方法，其特征在于，其特征在于，所述步骤S13中图像变换方法包括对训练子集的人脸图像进行图像旋转、图像RGB通道扰动和图像中添加高斯噪声。
5.根据权利要求4所述的基于集成卷积神经网络的年龄识别方法，其特征在于，使用Python图形处理库的函数对训练子集中人脸图像进行图像旋转变换。
6.根据权利要求2所述的基于集成卷积神经网络的年龄识别方法，其特征在于，所述M为6，即步骤S1中选取出6个卷积神经网络分类器作为基分类器，即包括6个基分类器。
7.根据权利要求6所述的基于集成卷积神经网络的年龄识别方法，其特征在于，6个基分类器分别为四层卷积层的卷积神经网络模型训练得到的第一基分类器、第二基分类器和第三基分类器以及三层卷积层的卷积神经网络模型训练得到的基分类器第四基分类器、第五基分类器和第六基分类器。
8.根据权利要求7所述的基于集成卷积神经网络的年龄识别方法，其特征在于，训练得到第一基分类器的四层卷积层的卷积神经网络模型输入层至输出层之间依次为第一卷积层conv11、第一下采样层pool11、第二卷积层conv12、第二下采样层pool12、第三卷积层conv13、第四卷积层conv14、第三下采样层pool15、第一全连接层fc16和第二全连接层fc17；其中第一卷积层conv11层的卷积核个数96，卷积核大小为9*9；第二卷积层conv12层的卷积核个数为256，卷积核大小为7*7；第三卷积层conv13层的卷积核个数为256，卷积核大小为5*5；第四卷积层conv14层的卷积核个数为256，卷积核大小为3*3；
训练得到第二基分类器的四层卷积层的卷积神经网络模型输入层至输出层之间依次为第一卷积层conv21、第一下采样层pool21、第二卷积层conv22、第二下采样层pool22、第三卷积层conv23、第四卷积层conv24、第三下采样层pool15、第一全连接层fc26和第二全连接层fc27；第一卷积层conv21层的卷积核个数为128，卷积核大小为9*9；第二卷积层conv22层的卷积核个数为256，卷积核大小为7*7；第三卷积层conv23层的卷积核个数为256，卷积核大小为3*3；第四卷积层conv24的卷积核个数为384，卷积核大小为3*3；
训练得到第三基分类器的四层卷积层的卷积神经网络模型输入层至输出层之间依次为第一卷积层conv31、第一下采样层pool31、第二卷积层conv32、第二下采样层pool32、第三卷积层conv33、第四卷积层conv34、第三下采样层pool35、第一全连接层fc36和第二全连接层fc37；第一卷积层conv31层的卷积核个数为96，卷积核大小为7*7；第二卷积层conv32层的卷积核个数为256，卷积核大小为5*5；第三卷积层conv33层的卷积核个数为512，卷积核大小为5*5；第四卷积层conv34层的卷积核个数为384，卷积核大小为3*3；
训练得到第四基分类器的3层卷积层的卷积神经网络模型输入层至输出层之间依次为第一卷积层conv41、第一下采样层pool41、第二卷积层conv42、第二下采样层pool42、第三卷积层conv43、第三下采样层pool45、第一全连接层fc46和第二全连接层fc47；第一卷积层conv41层的卷积核个数为96，卷积核大小为9*9；第二卷积层conv42层的卷积核个数为256，卷积核大小为7*7；第三卷积层conv43层的卷积核个数为256，卷积核大小为5*5；
训练得到第五基分类器的3层卷积层的卷积神经网络模型输入层至输出层之间依次为第一卷积层conv51、第一下采样层pool51、第二卷积层conv52、第二下采样层pool52、第三卷积层conv53、第三下采样层pool55、第一全连接层fc56和第二全连接层fc57；第一卷积层conv51层的卷积核个数为128，卷积核大小为9*9；第二卷积层conv52层的卷积核个数为256，卷积核大小为7*7；第三卷积层conv53层的卷积核个数为384，卷积核大小为5*5；
训练得到第六基分类器的3层卷积层的卷积神经网络模型输入层至输出层之间依次为第一卷积层conv61、第一下采样层pool61、第二卷积层conv62、第二下采样层pool62、第三卷积层conv63、第三下采样层pool65、第一全连接层fc16和第二全连接层fc17；第一卷积层conv61层的卷积核个数为96，卷积核大小为7*7；第二卷积层conv62层的卷积核个数为256，卷积核大小为5*5；第三卷积层conv63层的卷积核个数为384，卷积核大小为3*3。
9.根据权利要求1所述的基于集成卷积神经网络的年龄识别方法，其特征在于，所述卷积神经网络分类器中的分类器采用SoftMax分类器。
10.根据权利要求1所述的基于集成卷积神经网络的年龄识别方法，其特征在于，所述步骤S3中采用简单投票融合方法融合M个基分类器输出的年龄类别，获得最终的一个年龄类别。