人脸识别技术在安全、金融和人员管理等领域的应用日益广泛,在这些重要的应用领域,作为人脸识别系统的安全卫士,判断所识别人脸是否为真人的活体检测技术备受关注。随着移动互联网的发展,当前人脸识别和活体检测的主要应用领域也逐步转移到以智能手机为代表的移动端。由于活体检测问题自身的复杂性、移动终端的硬件限制以及移动应用环境的复杂多变,在移动端实现准确可靠的人脸活体检测目前还面临着诸多的困难。本文针对移动端人脸活体检测的应用背景特点,建立活体检测样本数据库,从图像预处理、活体特征提取和分类、活体检测方法和算法等方面开展研究,为实现方便、快速、准确的移动端人脸活体检测进行了一些探索。在图像预处理时,对光照强弱进行判断,降低移动端光照不稳定因素影响;对拍摄距离预判断,获得理想拍摄距离;进行人脸对齐,降低人脸姿态因素影响;图像均衡化,减弱光照影响。根据移动端应用的特点,选择了计算较为简便的LBP、HOG、Haar等活体特征和SVM、Adaboost等分类方法。对适合移动端使用的传统综合交互式活体检测、二次成像活体检测和多任务深度学习活体检测等三种不同方案进行了实验研究,对比分析了其特点和检测效果。三种方案的基本共同点是符合移动端普通单摄像头特点,既不需特定类型摄像头,也不需多个摄像头。传统综合交互式活体检测利用多种活体属性随机组合进行检测,如眨眼、张嘴、左右摇头和微张嘴。多种活体属性随机组合方案可以有效防止预先准备攻击视频,增强防攻击能力,同时方案可行性高、计算量小和环境适应性强,测试集上的准确率达到98%。二次成像活体检测主要根据二次成像时图像微纹理丢失原理,最大优势是使用便利,无需检测者配合,同时利用Adaboost算法降低特征维度,减少移动端计算负担,在测试集上的准确率达到92%。多任务深度学习活体检测主要是对传统综合交互式活体检测模型的改进。为解决传统式中多个活体属性模型独立与特征多次提取问题,多任务深度学习网络模型一次提取各活体属性的联合特征,同时保证各活体属性检测准确率。