近年来人脸识别技术依靠其安全与稳定性,已经被广泛应用于出入门禁,公安消防等领域。人脸识别系统通常由人脸检测、特征点检测、活体检测、人脸识别等步骤组成。其中人脸检测与识别等步骤已经相对成熟,但特征点检测任务的训练过程容易受到不常见的面部姿势或表情,照明变化和遮挡的影响,所以仍需要改进。网络的发达使得违法者获得被害人照片与视频信息越来越容易,很可能利用这些信息来冒充被害人来攻击银行或住所的登录系统,使受害人的生命财产受到威胁。所以随着对个人信息安全的警惕性越来越高,活体检测的热度也与日俱增,然而目前的活体检测系统大多需要用户配合,且不能同时抵抗假冒照片或视频攻击。本文针对以上问题,对人脸特征点检测、双目测距、活体检测等方向进行了研究,将人脸各个特征点的深度信息作为特征来分辨活体人脸与人脸照片或视频攻击。主要工作如下:(1)本文训练了一个基于鲁棒损失函数的卷积神经网络(CNN)模型来实现人脸特征点检测任务。人脸特征点检测任务可以被看作一个回归问题。而在大多数情况下利用卷积神经网络解决回归问题时,CNN训练过程中通常使用L2损失函数。但是它的鲁棒性很低。本文把Robust Statistics中M估计器中的Tukey估计器作为损失函数运用到模型的训练当中,这使模型的训练最大程度的利用好了每个样本的贡献,而避免了被异常值过度引导训练过程,极大地增强了模型的鲁棒性和泛化能力,并使训练时收敛更快,收敛值更低。实验中将本文算法与三种先进方法和两种商业软件在两个公开数据集上进行了比较,均取得了良好的效果。(2)为了实现人脸活体检测,需先实现测距。而目前测距的方法主要分为单目和双目测距。但单目摄像头对物体的位置和距离感知会产生偏差,所以本文选择双目实现测距。利用经典的张氏标定法对两个摄像机标定,获取双目摄像机内外参数。利用这些参数对左右相机所得图像进行立体校正以及立体匹配。本文使用BM块立体匹配方法获得视差图,进而获得三维点云,也就能获得人脸特征点的三维坐标信息。(3)实现基于人脸特征点检测与双目测距的人脸活体检测。获得了人脸各个特征点深度信息后,利用经典的二分类分类器支持向量机(SVM)对真实活体人脸与假冒人脸进行分类。由于目前没有针对活体检测的人脸深度信息库,所以本文通过实验得到了一个自建小型样本库,包含多种姿态的真实人脸以及各类假冒照片和视频的深度信息。人脸视频深度信息的采样包括对手机,平板以及电脑屏幕播放的攻击视频采样。这样训练得到的模型能胜任测试集中多种情况下的照片和视频攻击,测试图片包含人为扭曲来模拟人脸深度变化的照片,模型依然能准确分辨出照片或人脸。