人脸识别技术被广泛的应用于各种安全保障系统中,但是人脸识别系统极易受到伪造人脸的攻击,存在巨大的安全隐患。为了有效的防范人脸攻击,人脸活体检测技术应运而生,成为人脸识别和人脸验证系统不可或缺的环节。人脸活体检测旨在判断系统获取的人脸图像是否来自于活体的合法用户。由于互联网社交网络的兴起,人脸资料的获取十分简便,而且伪造人脸的欺骗手段种类繁多,伪造的图像精度也逐渐提高,越来越逼真。因此,人脸活体检测是一个具有挑战性的难题。本文主要从边缘增强和特征提取的角度出发,研究如何提取活体和非活体人脸图像的本质特征,有效判定图像中人脸的活体性,应对多样化的人脸识别攻击方式。本文提出了基于扩散-核矩阵模型(Diffusion-based Kernel Matrix Model,简称DKMM)的人脸活体检测方法,利用DKMM从人脸图像中提取DK特征(Diffusion Kernel feature),使用DK特征对图像中人脸的活体性进行判断。由于活体和非活体人脸图像在图像质量方面存在差异,使用各向异性扩散(anisotropic diffusion),通过对图像的边缘区域进行增强,对非边缘区域进行模糊处理,在保留人脸图像边缘信息的同时增大活体与非活体人脸图像间的差异。为了更好的描述人脸图像活体性的差异,从经过扩散处理后的图像中提取DK特征,该特征可以表达连续人脸图像序列的内在关联性,体现图像序列在时间维度的非线性关系。实验表明,该方法能够在复杂的条件下有效抵挡多种伪造人脸的攻击手段。本文提出了基于扩散模型的多特征融合人脸活体检测方法,从经过扩散处理的人脸图像中分别提取DK特征和深度特征(deep feature)。DK特征对连续人脸图像间的相关性进行了非线性描述,在时间维度对人脸图像序列进行表达;深度特征由经过预训练的深度神经网络模型提取得到,可以表达图像复杂的非线性映射关系,体现人脸图像内部更加抽象的隐性信息。为了提高人脸图像特征的有效性,利用多核学习的方法将提取的DK特征和深度特征进行融合,得到最佳的组合方式及相应权值。两种特征相辅相成,融合后的特征更具判别性,为人脸图像的活体判定提供了有力的依据。实验表明,该方法具有优异的性能,能够有效地判别图像中人脸的活体性,抵抗伪造人脸攻击。本文提出了基于人脸多区域的人脸活体检测方法,将人脸划分为左眼,右眼,鼻子,左脸颊,右脸颊,嘴六个区域,利用扩散模型分别对每个区域进行边缘增强处理,提取每个区域基于相邻LBP同现关系的特征。该特征可以充分体现人脸各区域的局部特性,能够表达LBP特征在空间维度的关系。为了充分发挥人脸不同区域的特性,利用多核学习的方法将六个区域的特征进行融合,着重考虑对人脸活体判定影响大的区域。实验表明,该方法利用人脸不同区域间的差异性,提取相应的特征,发挥多区域特征融合的优势,能够有效地判定图像中人脸的活体性,抵抗伪造人脸的攻击。