随着机器学习和大数据等技术的不断发展,基于身份认证的人脸识别系统由于无需记忆等优点应用得越来越广泛,但是当它面对基于媒介的人脸伪造攻击时会表现出固有的缺陷。在这种情况下,攻击者会展示包含用户人脸的照片或者视频来欺骗人脸识别系统。在当下时代的社交网络中,每天都有大量包含人脸的私人照片和视频上传,攻击者可以轻而易举地获取这些照片和视频,从而对人脸识别系统进行攻击。活性检测模块是人脸识别系统中重要的组成部分,也是一种防止基于媒介的人脸伪造攻击的有效抵御技术,它可以准确地辨别真实并且具有生命力的人脸和虚假的伪造人脸。在本文中,我提出了一种实用并且有效的活性检测机制,它结合了挑战-响应协议和局部二值模式算子,从而保护人脸识别系统免受基于媒介的人脸伪造攻击。我们的活性检测算法由四个模块组成,它们分别是挑战-响应模块,表情帧检测模块,特征提取模块和活性分类器模块。首先通过随机数的方法将挑战随机地发送给用户,然后使用摄像机把响应以视频的方式记录下来。挑战指的是例如眨眼、微笑等面部表情。局部二值模式算子是一种描述局部纹理特征的方法,由于其高效性而在纹理分析中被广泛使用。我们利用?-LBP(一种局部二值模式的变体)来检测响应视频中的表情帧。表情帧指的是拥有最显著表情特征的那一帧。例如,在眨眼视频中,表情帧指的是眼睛完全闭上的那一帧。接着,我们通过图像梯度的方法分析不同子区域的局部灰度值分布,在图像梯度较大的子区域使用较小的采样半径,在图像梯度较小的子区域使用较大的采样半径,从而画出局部二值模式直方图,并整合成特征直方图。最后,活性分类器模块通过比较输入直方图和真实纹理特征直方图之间的相似性(35)来检测基于媒介的人脸伪造攻击。如果相似性(35)大于阈值,说明输入人脸来自基于媒介的人脸伪造攻击的虚假人脸。为了证明此活性检测算法的有效性,我们从合法的身份认证请求中收集了真实的人脸数据集,另外也收集了基于媒介的人脸伪造攻击的虚假人脸数据集。虚假人脸数据集中包括基于照片的数据集和基于视频的数据集。最终的实验结果表明,该活性检测方法能够有效地检测出基于媒介的人脸伪造攻击,检测的准确率达到96.53%。由于此活性检测方法获取人脸的纹理特征信息,它也能用于识别不同用户的人脸,识别的准确率达到98.96%。