针对现有人脸活体检测算法在单一数据集内表现良好而在多个数据集间泛化能力较差的问题，提出一种聚焦于真实人脸的活体检测方法。在数据输入阶段，每轮训练会向网络输入所有源域的真实人脸的同时只随机输入其中一个源域的虚假人脸。在特征学习阶段，使用Resnet18网络作为主干网络，对不同残差块的输出特征进行基于注意力机制的加权融合。利用三元组损失和对抗损失对融合后的真实人脸特征进行领域内和领域间的聚合，利用三元组损失对融合后的虚假人脸特征只进行领域内的聚合。在分类阶段，利用交叉熵损失对所有源域的真实人脸和虚假人脸进行分类。所提方法在4个人脸活体检测数据集中进行了实验，实验结果表明所提方法相比其他方法具有更低的识别错误率和更高的鲁棒性。

人脸识别的身份认证环节可能受到照片、视频等手段的恶意欺骗。在分析了照片人脸成像后的非线性变化特点后,从人脸边缘信息的变化特征着手设计了一种基于图像处理的人脸活体检测新方法。用改进的梯度方向直方图描述人脸主要轮廓,同时结合正、负样本的统计特征训练支持向量机分类器进行活体检测,最后在NUAA人脸数据库上开展了实验验证,结果表明,本文方法对真假人脸的检测正确率达到了97%。