人脸识别是一种重要的身份认证方法,被广泛应用在各个领域。人脸活体检测作为一种关键的人脸反欺骗技术,能够有效提升人脸识别系统的安全性,目前已成为人脸识别领域的重点研究方向。然而,现有人脸活体检测算法受光照、背景等外界环境因素的影响,在面对未知攻击或者跨数据集测试时可靠性不足,且大多依赖单一模态,难以描述人脸特征的复杂性变化。针对上述问题,本文开展了以下研究:针对人脸图像容易受到光照、背景等环境因素干扰的问题,本文提出一种基于注意力融合的差分卷积人脸活体检测算法。该算法由深度信息监督网络实现人脸图像的深度估计,利用差分卷积算子替代传统卷积算子,并结合通道和空间注意力对特征融合模块进行优化,增强了网络对不同环境下人脸固有细粒度特征的表示能力,提高了模型的泛化性能。针对单一模态图像难以描述人脸复杂性变化的问题,本文提出一种基于特征重标定的多模态人脸活体检测算法。该算法设计了一个并行多分支网络框架,对彩色光图像丰富的外观结构特征、红外光图像的低光敏特征以及深度图像的空间深度特征进行综合考虑,利用基于注意力融合的差分卷积网络分别提取不同模态下的图像特征,通过特征重标定模块实现图像信息的互补融合,改进了单一模态图像特征描述的局限性,提高了人脸活体检测的准确率。在自建立红外人脸数据集Hust-IFSA和多个公开数据集上进行测试,实验结果表明,本文提出的算法可以有效地完成人脸活体检测任务,相比于传统算法提高了人脸活体检测的精度和泛化性能。目前,该算法已经成功应用在国内某科技公司的人脸活体检测项目中。