赵一洲，王浩

(四川大学电子信息学院，成都 610065)

0 引言

随着人类数字时代的到来，人脸生物识别领域技术被广泛应用在各大场合，如门禁系统、高铁机场入口核查系统以及移动终端的解锁系统等身份认证[1]。由于人脸识别系统最容易以照片、视频和面具攻击作为攻击手段[2-3]，高效快捷辨别真伪，抵御欺骗攻击确保系统安全一直是人脸识别领域需要克服的挑战。针对欺骗攻击和消除安全隐患，设计一个基于检测精度高、耗时短、泛化能力强的人脸活体检测至关重要。

近年来，为了识破这些假冒的攻击方式，国内外研究学者已经提出多种不同的活体检测方法，主要围绕传统图像特征表达、主动式检测以及深度学习三方面进行展开研究[4]。传统图像特征表达是最早的人脸活体检测方法[5]，主要是基于真实人脸和欺骗人脸纹理和光谱信息差异识别真伪，例如：LBP、DOG、HOG、SIFT等特征，和SVM分类配合实现[6]，基于手工特征表达虽然可以取得不错的精度，但特征层次较低导致其泛化能力较弱。主动式人脸活体检测方法[7]，需要用户配合完成一些指定动作，该方法耗时时间较长，也需要外界配合，不能满足实时应用的需求。

真实人脸 面具攻击

随着深度学习在计算机视觉领域的广泛应用，图像所提取的深度特征相比传统的手工特征，具有更丰富的语义信息，可进一步提高算法的鲁棒性和泛化能力。人脸活体检测首次采用卷积神经网络(Convolution Neural Network，CNN)[8]，以及Lucena等人采用迁移方法设计了FASNet(Face Anti Spoofing Network)[9]。……