随着生物特征识别技术的发展,人脸识别技术已经成为学术界和工业界广泛应用的身份验证技术,并且随着深度学习技术的发展,人脸识别技术已经逐步被推广应用到商业领域。然而,常见的人脸识别系统都普遍存在着重大的安全隐患,它们容易受到欺骗攻击,非法用户可以通过合法用户的人脸照片或者包含合法用户的人脸视频攻击系统。为了解决该安全问题,人脸活体识别技术被提出,该技术主要通过某种方式判断当前被检测到的人脸是否为活体人脸来提高人脸识别系统的安全性。本文的研究重点是可见光下的非交互式人脸活体检测算法,通过从图像的角度获取特征识别活体人脸和非活体人脸。本文分析并针对活体人脸和非活体人脸之间的差异性,从不同的角度提出了改进的人脸活体检测算法。本课题的主要研究工作包括以下两个部分:第一,针对在人脸二次采集中活体人脸产生图像纹理信息损失的问题,本文提出了一种基于微纹理和频谱特征的人脸活体检测算法。该算法的基本思想是分别使用单一特征训练两个弱分类器,再通过这两个弱分类器学习权值,构建基于多特征的强分类器,然后将检测到并处理后的人脸图像输入该分类器判断其是否为活体人脸;该算法通过使用权重融合局部特征和全局特征不仅成功克服了微纹理特征只能提取图像局部空间域特征的缺点,还能够有效地突出局部特征和全局特征在组合时的重要性,最大程度地提升了人脸活体检测的性能。第二,由于活体人脸和非活体人脸对光照反射的不同,本文提出了一种基于多方向颜色梯度特征的人脸活体检测算法。该算法分析了活体人脸和非活体人脸在梯度特征上存在的差异性以及颜色梯度特征在活体人脸检测方面的有效性。通过在不同颜色空间下利用改进的Roberts交叉算子提取活体人脸和非活体人脸的多方向颜色梯度特征,以此作为分类判别的依据。本文改进的多方向颜色梯度特征不仅充分考虑了图像的色度信息,还利用四个方向的相对梯度分量作加权融合对梯度特征进一步改进,从而更好地表达了活体人脸和非活体人脸的梯度差异。在公开数据库Replay-attack和CASIA-FASD上的大量实验结果证明本文改进的算法能够有效地检测活体人脸,同时使用统一的评价标准与多个人脸活体检测算法对比,结果表明本文改进的算法有效提高了人脸活体检测的性能。