随着人脸识别技术的快速发展,人脸识别已经逐步应用到安防、交通、金融等领域。人脸识别技术为人们的日常生活带来极大的便利,与此同时,其安全性也越来越受到重视。当前的人脸识别技术主要依赖于图像信息,这使得该技术容易受到攻击,比如照片攻击、视频攻击、面具攻击等。人脸活体检测通过分析人脸图像,判断拍摄对象是否为活体,是人脸识别技术免受攻击的重要技术手段,已经成为人脸身份认证系统中的重要组成部分。本文首先总结了人脸活体检测领域的研究成果,然后针对人脸活体检测中的欺诈问题,从人脸纹理特征、扩散速度特征、深度学习特征等方面展开研究,设计了两种人脸活体检测算法。论文的主要工作如下:1.提出了一种基于图像扩散速度模型和纹理信息的人脸活体检测算法,主要包括图像预处理模块和特征提取模块。真实人脸为三维结构,虚假人脸图像为二维平面,它们表面的光线变化不同,各向异性扩散可以很好地提取这种特征。本文使用各向异性扩散构建图像扩散速度模型,使用局部二值算法提取图像的扩散速度特征,并训练支持向量机(Support Vector Machines,SVM)分类器。本文还提取人脸图像的模糊程度特征和色彩纹理特征,通过特征矩阵级联的方法将两种特征进行融合,并训练另一个SVM分类器。最后根据分类器输出概率加权融合后的结果做出判决,该方法在两个公开数据集上的半错误分别为5.76%、3.54%。2.针对人脸活体检测算法泛化能力差的问题,提出了一种基于改进卷积神经网络和纹理特征的人脸活体检测算法,主要包括深度特征提取模块和图像纹理特征提取模块。不同于先前的人脸活体检测算法,本文认为图像的背景区域同样有助于人脸活体检测。为了更好地利用卷积神经网络中不同深度的图像特征,本文在卷积神经网络中添加一个旁路结构,使用改进后的神经网络提取图像的深度特征,并训练分类器模型。另一方面,由于图像的局部二值特征和相位特征对光线变化不敏感,因此,本文同时提取图像的局部二值特征和相位特征,并训练SVM分类器。最后,根据分类器输出概率加权融合的结果做出判决。实验结果表明,该方法在人脸活体检测数据集上可以有效地检测出虚假人脸图像,进一步提高了人脸活体检测算法的泛化能力。