随着电子设备用户数目的快速增长,对于生物身份信息验证系统的需求也随之越来越多,而其中最为流行和便捷的便是人脸识别技术。人脸活体检测作为一种人脸识别技术的延伸,主要用于防止来自非活体照片或者视频攻击,从而保障系统安全。大部分现有的人脸活体检测技术都是通过提取静态纹理图案特征来进行活体判别,但是由于非活体攻击样本的多样性和复杂性,不同的环境、光照、拍摄设备、攻击方式和材质都会呈现出不同的非活体纹理图案,很难提取出具有泛化性的特征,获得的模型面对未知的样本或者在跨数据集测试中往往表现不佳。论文针对这一现象,将更具泛化性的时序运动信息与传统的空间纹理信息相结合,并受到人眼视觉通路系统的启发,提出了一种创新的双分支三维卷积模型,并通过非常具有挑战性的综合性测试来验证了模型方法的性能和鲁棒性。更具体的,论文主要进行了以下研究:首先,对于三维神经网络展开研究,探究其在人脸活体检测领域的应用效果以及对于时序运动特征信息的提取情况,进而提出了一种近似的优化三维卷积结构。其次,引入了一种基于相位平移的运动放大算法来提高人脸活体检测模型提取运动特征的效率和能力。通过与线性运动放大算法以及拉格朗日运动放大算法比较确立了采用基于相位平移的运动放大算法作为动态运动线索分支的前置模块,并对运动放大的界限,以及运动放大的算法噪声处理进行了探究。最后,综合应用提出了一种受到人眼视觉系统启发的双分支三维卷积模型,通过模拟人眼视觉的通路并利用不同的卷积核以及约束技巧引导两个通路学习不同维度的特征信息,具体通过双分支三维卷积模型的结构以及其两条分支——动态运动线索分支来模拟人眼视觉系统的大细胞通路,静态纹理信息分支模拟人眼的小细胞通路,应用Mahalanobis距离损失函数对于动态运动线索分支进行更为细粒度的约束,最后通过softmax进行分类处理,并进行了跨数据集的泛化性实验来验证模型的有效性。