随着人脸识别在生活中的不断普及,其中的活体检测方法也引起了人们的重视。目前的活体检测技术在实际应用中主要面临虚伪照片、虚假视频的攻击,活体检测技术的安全性和鲁棒性都需要提高,活体检测的效率随着人脸识别检测速度的提升也需要有大幅的提高。本文主要研究内容包括基于后验概率可变形模型的眨眼检测来排除掉照片攻击,然后再通过对人脸区域的SEMB-LBP特征提取和稀疏支持向量机的学习训练和分类来排除虚假视频攻击。本文的主要工作有:1、对获取的人脸图像的预处理主要包括直方图均衡化、中值滤波器去噪和光照补偿。对图像进行预处理的作用是使接下来检测人脸区域时可以得出更加准确的结果。然后建立肤色模型,检测到人脸部位区域并进行定位。再采用后验概率可变形模型对人脸进行边缘的定位分割,然后利用人脸具有“三庭五眼”的几何形状的特点进行人脸五官区域的定位获取人眼及五官的分割后图像。2、针对照片攻击是活体检测面临的主要攻击方式之一,本文对基于后验概率可变形模型获取的人眼区域进行形态学操作,统计人眼区域巩膜内部像素点总和,如果是真实活体人眼或者是虚伪视频中的人眼,巩膜内部像素总和s会有周期性的波动,发生眨眼行为的次数应至少为1次,而照片中人眼发生眨眼行为的次数为0次。眨眼检测可以将照片攻击排除掉。3、面对视频攻击时,本文先对人脸区域分割后的12块小区域进行特征提取,特征提取的方法是改进后的LBP特征提取,改进后的SEMB-LBP特征提取方法弥补了原始LBP局部化的特点,加强对图像整体信息的把握,最后算法经过降维处理以提高特征提取的速度。然后对图像提取到的SEMB-LBP特征进行支持向量机学习训练和分类,稀疏支持向量对比原始支持向量机的优点是其解有更好的稀疏性,提高了运行速率与准确率。