随着人脸识别技术的快速发展,其安全性越来越受到人们的关注。人脸认证系统主要依靠图像信息进行认证,容易受到照片攻击或视频攻击。人脸活体检测技术判断人脸图像是否来自真实用户,是人脸认证系统的重要组成部分。虽然现有人脸活体检测技术得到了一定的发展,但是跨场景下活体检测的泛化能力仍然存在较大的不足。本文首先总结了现有人脸活体检测领域的主要研究成果,然后针对现有模型泛化能力不足的问题从领域自适应、公有特征和人脸深度信息等方面展开研究,并提出了两种人脸活体检测算法。本文的主要工作如下:1.针对数据集之间数据分布不一致问题,提出了一种基于多层领域自适应的人脸活体检测方法。由于真实人脸图像和虚假人脸图像之间信息差异较小,细节纹理信息对人脸活体检测有较大帮助。同时随着神经网络层数加深,网络提取的特征会不可避免地丢失底层纹理信息。因此,该方法把网络的底层特征和高层特征进行融合。另外,为了提高模型的泛化能力,该方法在网络全连接层上应用最大均值差异,最大化地消除了源域和目标域之间的分布差异。该方法在公开数据集Replay和CASIA上进行交叉验证,半错误率指标分别为31.2%和33.5%。实验结果表明,本文方法比主流人脸活体检测方法具有更好的泛化能力。2.传统的人脸活体检测方法主要依赖同一数据集中真实人脸和虚假人脸之间的差异信息,忽略了不同数据集之间的相似性。虽然不同人脸活体检测数据集之间样本分布差异较大,但是不同数据集中相同攻击类型之间存在较大公共信息。基于此,本文提取源域数据和目标域数据的公有特征进行分类器训练,使模型具有较好的泛化能力。此外,真实人脸具有三维空间结构,而虚假人脸往往是平面结构。为此,本文利用三维人脸重构技术把人脸深度信息作为网络模型的辅助信息,进一步提升了模型的泛化能力。实验结果表明,数据集间公有特征和人脸深度信息对提高模型泛化能力都有较大帮助。