随着人脸识别准确率的提高,甚至在某些场景与挑战下超越了人类,人脸识别系统开始在生活中普及,如手机,门禁,金融支付等。但同时对于人脸识别系统的攻击也开始涌现,如打印的照片,展示的视频等,都可以轻易的骗过人脸识别系统,这引起了人们对于人脸识别系统安全方面的担忧。而这些攻击则催生出了人脸活体检测技术,它是用来甄别并抵挡这些攻击,保证人脸识别系统的安全。而目前人脸活体检测面临的挑战也日益严峻。挑战主要来自两个方面:1)人脸活体检测需要在各种未曾见过的场景下工作;2)人脸活体检测需要面对越来越多未曾见过的新式攻击。这都要求人脸活体检测能够很好的泛化到之前未曾见过的场景数据以及攻击数据。而之前的基于传统特征算子的方法,因为其表达能力不足而导致检测精度较低,而基于深度学习的方法,虽然在精度上有了较大的提升,但是不管是使用二分类监督,还是使用额外信息监督,都存在以下两个固有的不足:1)特征的耦合:之前方法都是在整体特征上进行约束并得到最后结果,该特征有可能包含与活体检测无关的信息,导致模型泛化能力的下降。2)数据的结构性:和人脸识别系统不同,人脸活体检测依靠的是人脸图片细节。之前方法基本都是基于完整人脸图像,这有可能使得网络学习与人脸结构信息相关的特征,而结构信息对于活体检测任务没有帮助,从而影响模型泛化能力。因此,针对以上两个问题,从特征及数据两个角度,本文分别提出以下两个算法:·基于特征解耦的人脸活体检测算法。其主要贡献如下:1)把图像特征划分为活体特征及内容特征,从特征解耦的角度解决人脸活体检测任务;2)提出结合底层纹理以及高层深度的方式,规范活体特征空间,推动学习特征解耦;3)大量的实验以及可视化结果证明本算法的优越并探究不同因素对活体特征的影响。·基于解构与组合的人脸活体检测方法。其主要贡献如下:1)提出解构和组合网络,通过破坏图片结构性的同时,引入多个域的信息;2)建模图像块之间二阶的关系来引导网络从每个图像区域中学习更关键的信息;3)在公开数据集上通过实验以及可视化证明整体框架以及每个模块的重要性。本文提出的两个算法,相较之前的方法,均在学术数据集上有明显的提升。但同时两者自身也仍有不足,如约束过于强硬等问题,需要之后继续研究完善。