人脸识别技术的飞速发展使人类生活的智能化程度进一步加深。但与此同时人脸识别系统被攻击破解案例的发生导致人脸识别的安全问题日益受到重视。其中最值得关注的安全问题之一是伪造人脸的活体攻击,攻击者利用电子设备等方式伪造用户的人脸信息,以此攻破人脸识别系统,因此在人脸识别系统中,准确地进行人脸活体检测对提高系统的安全性具有重要意义。人脸活体检测从最初的手工特征提取方法到现在的基于卷积神经网络的特征提取方法,其核心思想是找到真实人脸和攻击人脸之间的信息差,然后利用机器学习等方式进行二分类。基于这种传统方式训练出安全性能极高的人脸活体检测模型,需要一个数量非常庞大、内容完整并且包含各种不同攻击类型的数据集。由于活体检测的数据集收集比较困难,同时攻击者总能针对系统创造出新的攻击方法,因此创建一个包含所有攻击方式的活体检测数据集基本是一件不可能的任务。由此要求模型具有良好的泛化性和鲁棒性,以适应各种不同类型的攻击方式。通过更进一步分析可以发现在人脸活体检测任务中,攻击样本之间的表型特征有巨大差异,因为用不同质地的欺骗中介物就会有不同的特征表现,从而导致在多维空间中攻击样本的特征向量是一种稀疏分布。因此在特征提取或者是分类过程中应尽量保持负样本分布的稀疏性,稀疏的空间有助于表达丰富的攻击样本属性。而常规的分类方法忽略了此特性导致模型泛化性不足。基于上述观察和思考,本文提出了针对提高卷积神经网络泛化性的两种活体检测方法:(1)提出基于缓冲层网络的人脸活体检测方法,该方法以终身学习为目的来提高模型鲁棒性,使模型在面对不断更新的攻击方式时有更好的识别效果。首先不同于一般提取整个人脸信息当作模型输入的方法,该方法只融合人脸显著性区域的特征信息,使模型能够有效抑制背景干扰。更进一步,为了提升网络模型的泛化性,提出的缓冲层架构能够在只训练一层全连接层的前提下,实现增量式的终身学习。为了使模型有效的收敛,同时提出了基于最大均值差异(MMD)的磁力损失函数(Mag Loss),该函数有效约束了分布之间的差异,并抑制了灾难性遗忘。实验证明该方法在保持训练速度的同时能有效提高模型泛化性。(2)提出了基于稠密稀疏反向损失函数(DSILoss)的人脸活体检测方法。目前绝大多数方法都是在从输入信息的角度去考虑问题,找到特征的可分离性是重要的研究方向之一。不同于传统思路,本文提出利用损失函数去约束真实人脸和攻击人脸在高维空间中的数据分布,通过控制分布去提高模型泛化性。同时提出了损失函数设计的三点原则,包括1.真实人脸分布需稠密,而攻击人脸的分布需稀疏;2。真实人脸和攻击人脸的并集为整个空间;3.两个分布之间的重心距离不能太远。基于这些原则,受人脸识别损失函数的启发,提出了DSI损失函数。该损失函数能够利用有限数据集信息的前提下,尽可能扩张攻击人脸的域空间,从而提高模型的泛化性,使其在面对训练集中未知的攻击类型时,也能准确识别。并在多组实验中都取得了目前最好的结果,可视化结果也进一步说明了假设的合理性。(3)本文结合相关研究成果构建了Face AI库,该库提供了简洁易用的人脸检测、人脸关键点检测、人脸识别、活体检测等Python库接口,供研究项目使用,以加速相关研究项目的进展。