人脸识别技术以其非接触性和便捷性的特点,近年来已被广泛应用于军事、经济、公共安全等领域。目前,绝大部分的人脸识别系统能够识别输入人脸图像的身份,但无法准确辨别输入人脸属于合法用户的真实人脸还是攻击者伪造的人脸。如今,互联网络非常发达,攻击者可以很容易的通过各种社交平台获取真实用户的人脸图像和视频,一旦攻击者使用这些合法用户的人脸照片和视频攻击人脸认证系统,可能会造成比较严重的后果和损失。因此,如何快速、有效地分辨出系统输入人脸的真伪,确保人脸识别系统安全已成为人脸识别技术中一个迫切需要解决的问题。为了解决这一问题,人脸活体检测技术应运而生,旨在分辨出人脸认证系统采集的人脸图像是属于合法用户的真实人脸图像,还是攻击者伪造的假体人脸图像。另外,人脸认证系统在采集人脸图像的过程中会受到外部环境变化和伪造手段多样性的影响,给活体人脸检测技术也带来了比较严峻的挑战。本文针对人脸识别过程中的活体检测技术进行了研究,主要的研究内容和创新点如下:1.在人脸识别过程中,光照变化会对识别精度产生很大影响,为此提出一种离散小波变换增强对比度受限自适应直方图均衡化(DWT E-CLAHE)的光照预处理方法。算法首先对原始人脸图像进行Gamma校正;然后使用离散小波变换提取图像的低频和高频分量;最后,对低频分量依次应用对数变换、Gamma校正和对比度受限自适应直方图均衡化处理,从而得到预处理后的人脸图像。该算法对光照不足和极端光照条件下的人脸图像有很好的预处理效果,在AR、CMU PIE和Extend Yale B等人脸库上分别进行测试后表明算法具有高效性。2.针对目前人脸活体检测中手工设计特征方法提取特征单一和传统深度学习算法容易产生局部最小值和过拟合等问题,提出基于局部感受野的极限学习机(ELM-LRF)模型的人脸活体检测方法。该模型首先随机生成输入权重,然后采用正则化最小二乘法解析地计算出输出权重,有效解决了传统深度学习算法容易产生的局部最小值和过拟合问题,具有优越的泛化性能。在CASIA-FASD、NUAA和Print-Attack数据库上分别以ELM-LRF模型与其它先进的人脸活体检测算法进行了实验对比,ELM-LRF算法具有较高的分类性能。