随着国家综合国力的发展和科技水平的进步,人脸识别技术在人工智能的趋势下快速发展。人脸识别技术因其直接、友好和便捷的特点而被广泛应用于在线身份认证系统中。利用图像处理量化分析个体差异性和自身稳定性,实现生物个体的身份识别,具有重要的应用和研究价值,同时,也具有极大的挑战。在场所复杂且背景多变的情况下,基于人脸识别的身份认证系统易受到攻击,攻击方式主要包括:照片攻击、视频攻击和3D面具攻击。因此,人脸识别中的活体检测已成为当前人脸识别领域的一个重点研究课题。本文围绕人脸识别的安全性问题,基于不同的特征提取方法,研究了活体人脸和假冒人脸图像在纹理、结构、深度特征等差异,主要从以下几个方面开展工作:(1)提出了一种基于纹理特征融合的活体人脸检测算法,通过融合不同空间域的差异性特征,增加活体人脸和假冒人脸图像之间纹理特征的可分性,训练具有判别性的分类器,最终在判别阶段提高了活体人脸算法的检测精度。(2)提出了一种基于动态纹理特征与深度特征融合的活体人脸检测算法,并设计了一种浅层的卷积神经网络,融合人脸图像的动态纹理信息和深度特征,使得图像在不同区域的特征表示形式有所区别,并利用概率分布表示误差进行判别分类,活体人脸检测的准确性进一步提高。(3)提出了一种基于拉普拉斯嵌入多级融合网络的活体人脸检测算法,在拉普拉斯矩阵几何意义的基础上,将保持类间、惩罚类内的距离约束嵌入浅层卷积神经网络中。此外,引入多级融合结构,利用原始特征辅助监督中间决策,提高了中间特征的利用率,使得网络模型既具有判别性,又能够保持原始图像局部邻域结构,显著提升了活体人脸算法的检测能力。(4)设计了一个活体人脸检测系统,系统的主要功能是基于本文提出的活体人脸检测算法进行人脸表示攻击检测;系统的基本功能模块主要包括图像采集、图像保存、特征提取、模型训练、活体人脸检测和算法精度比较等。