活体认证是基于生物特征的身份识别,随着人工智能的发展正在逐步的取代传统的身份认证,已被广泛的应用在金融、安防、军队等领域。但随之而来的便是层出不穷的针对活体认证的攻击手段,这就要求活体认证能对相应的攻击手段进行有效的防御。为此我们所期望的活体认证不仅对活体具有较好的检测认证能力,也应该具有能实时在线处理、受光照或拍摄设备的影响小、用户操作界面简洁友好且用户的交互尽量少等。所以安全性、时效性、客户体检度是活体认证的三个重要性能参数。然而目前实际应用中的活体认证存在着认证时间长、光照依赖性强、用户体验差、设备昂贵等缺陷。另一方面,随着面部表情的研究不断深入。微表情因其自发性和无法伪造的特点受到更多的关注。并且,随着近视人群的不断加大,戴眼镜的人群比例逐年增高,在进行单纯的眨眼动作识别时,眼镜的反光容易导致检测眼睛轮廓的误差,造成识别误差。而面部的动态表情是五官发生变化表现出来的,是微表情的变化、正常表情转变、眨眼等变化体现。因此,本文提出了利用面部产生表情变化的判定来进行活体认证来提高客户体验度。同时为防止认证时间过长,我们引入了宽度学习系统和注意力机制并结合了它们的优势,提出了一种基于动态表情宽度学习的活体认证技术。主要研究内容如下:1)为了让人脸图像的特征提取更加快捷有效,本文提出了基于宽度学习系统并结合注意力机制的特征提取方法。在宽度学习系统的特征层进行注意力机制的加成,使得特征提取结合了宽度学习系统的快速性,更结合了注意力机制的有效信息突出原则。2)本文构建一个带有动态表情的活体认证数据集,我们选择了目前最具有效性和实用性的微表情数据集CASME II数据库并对其增加攻击数据,包括手拿照片的图像,和视频回放的图像,同时混合了自采集数据集,自采集数据集通过i Phone XS手机进行采集。包含5个目标的15个10s的动态表情视频段,15个手持i Pad进行视频回放的视频段,15个随机从每个视频中选取300张帧图像进行打印并手持拍照组成的视频。3)本文提出了一种基于动态表情宽度学习的活体认证算法模型,算法模型通过宽度学习系统结合注意力机制进行特征提取,并利用循环神经网络机制进行时序化处理,通过动态表情的识别来进行活体认证4)最后通过实验验证了基于动态表情宽度学习的活体认证算法模型的可行性及优越性,具体的做法是对流行的数据集的扩充并且混合了自采集数据集进行了实验及分析,并与对比模型CNN-RNN进行了对比分析。本文所提出的基于动态表情宽度学习的活体认证模型在CASME II数据库的扩展数据库以及其与自采集数据库的混合数据库上分别对每个序列的处理时间平均为0.124s和0.2s,对照片方式攻击的HTER值为0.13%和0.2%,对视频回放攻击的HTER值为53.73%和62.73%;对比模型CNN-RNN模型序列平均处理时间分别为0.482s和0.523s,各HTER值相近。由实验结果可以看出,本文模型的序列处理时间比CNN-RNN的处理时间更短,并且在活体认证的过程中无需根据系统指令进行动作,因此能满足活体认证中的一定的安全性和时效性,并且具有非交互,快速验证的特点。同时模型对照片攻击具有良好的防御能力,但模型对视频回放攻击的防御较差。最后的结果证明新提出的方法可以有效的使用在活体认证中,并且具有一定的优势。