人脸识别是一种基于人体面部信息的生物个体识别技术,是人工智能方向的研究热点。近年来由于其迅速的发展以及颇高的技术成熟度,人脸识别技术已经被广泛用于个人生活、移动支付、公安司法等影响社会的诸多方面。因此很多研究致力于提升人脸识别的效率和准确率并且取得了丰硕的成果,然而广泛的应用也为人脸识别技术带来了极大的风险,个体身份的冒充是人脸识别领域当前亟待解决的问题,用照片、面具或者视频来欺骗人脸识别系统使得人脸识别技术饱受质疑,因而人脸活体检测技术作为人脸识别系统安全运行的重要保障,具有巨大的研究价值和社会价值。同时当前的人脸识别技术在例如手机、平板之类的嵌入式设备上使用更为广泛,嵌入式设备有限的计算能力使得其面对较大算力需求的应用场景时捉襟见肘,因此提升活体检测算法在嵌入式设备上面的执行效率也是对进一步提升人脸识别技术的有力支持。由于当前主流的活体检测算法在公开数据集上表现良好,但是实际落地使用时泛化性能较差。因此本文希望设计制作新的活体检测数据集,并且设计新的活体检测算法来保证算法应用落地的准确率,同时在模型压缩方面做进一步的研究,提升算法模型在嵌入式设备上面的表现力。本文的具体工作如下:1.针对当前主流的活体检测数据集,分析影响其泛化性能的原因来设计并制作新的活体检测数据集。具体改进包括:1)重点扩展红外人脸数据集和高清RGB数据集;2)扩展人脸左右夹角、俯仰夹角和摄像头距离对应的数据集。2.针对基于高清视频、高清屏幕以及黑白照片的人脸攻击,设计并实现一种基于灰度值和纹理特征的活体检测算法,该算法在红外摄像头下部署运行。3.针对基于高清RGB照片的攻击,基于当前常用Loss函数进行改进,设计并实现一种基于减小类间间距的改进Loss函数的算法,该算法在高清RGB摄像头下部署运行。4.针对嵌入式设备的算法部署,分析三值化网络的基本原理并提出改进方案,降低算法模型实际应用的硬件需求。