学位论文简介

作为保障系统安全的关键防线，人脸活体检测技术通过判别输入样本的生物活性特征，有效区分真实人脸与假体攻击。本研究以人脸识别系统为应用导向，围绕跨域人脸活体检测泛化性展开研究，取得了以下主要创新性研究成果：

(1) 提出基于注意力机制与残差蒸馏的域泛化人脸活体检测算法（DRDN）。首先，设计像素级残差蒸馏模块，抑制高层语义和低频光照干扰；其次，开发特征级注意力对比学习机制，构建距离感知的非对称嵌入空间以避免类边界过拟合；最后，设计注意力增强骨干网络，自适应捕获关键区域和通道特征。

(2) 提出基于类别条件梯度对齐的域适应人脸活体检测算法（CCGA-FAS）。首先，建立类别条件梯度对齐机制，最大化同类样本的梯度向量相似度，确保源域和目标域遵循一致的优化方向；其次，设计动态类别度量器，基于时序知识和自适应阈值策略为无标签样本提供可靠的伪类别信息；最后，构建教师-学生协同优化框架，增强梯度对齐的稳定性。

(3) 提出基于梯度匹配的联邦泛化人脸活体检测算法（GM-GFAS）。遵循标准联邦学习架构，将传统的数据聚合转化为梯度聚合，以保护数据隐私。在中央服务器端，引入基于梯度匹配的创新聚合技术，通过梯度修改缓解客户端间的梯度冲突提高梯度聚合的有效性。在本地客户端，开发梯度匹配引导的本地训练模型，通过约束输入扰动间的梯度相似性提升本地模型的鲁棒性。

(4) 提出基于因果启发的单源域泛化人脸活体检测算法（CSDG）。首先，构建定制化因果图，形式化描述人脸活体检测中的因果关系；其次，设计因果学习模块，最大化干预前后表征相关性来消除域相关混杂因素干扰，同时最小化学习到的表征与负分布之间的关联；其中，干预操作通过在因果干预模型中对源数据随机执行频谱混合和结构破坏来实现。

(5) 提出基于双流CNN-Mamba的单源域泛化人脸活体检测算法。CNN分支专注于提取细粒度的局部空间特征，例如纹理细节和边缘模式，而Mamba分支则致力于捕捉全局空间依赖关系，使模型能够全面区分真实人脸与攻击人脸。此外，引入基于注意力的特征融合机制，自适应地整合CNN分支提取的局部特征与Mamba分支捕捉的全局特征。

主要学术成果

[1] Yan He, Fei Peng, Rizhao Cai, Zitong Yu, Min Long, Kwok-Yan Lam. Category-Conditional Gradient Alignment for Domain Adaptive Face Anti-Spoofing. IEEE Transactions on Information Forensics and Security, vol. 19, pp. 10071-10085, 2024.

[2] Yan He, Fei Peng, Min Long, Kwok-Yan Lam. Causality-Inspired Single-Source Domain Generalization for Face Anti-Spoofing. 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 4925-4929.

[3] Yan He, Fei Peng, Min Long. Dynamic Residual Distillation Network for Face Anti-Spoofing With Feature Attention Learning. IEEE Transactions on Biometrics, Behavior, and Identity Science, vol. 5, no. 4, pp. 579-592, 2023.

[4] Yan He, Fei Peng, Min Long. Gradient Matching Guided Domain Generalization for Federated Face Anti-spoofing. IEEE Transactions on Information Forensics and Security（投稿中）

[5] Fei Peng, Yan He, Min Long. A Dual-Branch CNN-Mamba Framework for Robust Face Anti-Spoofing. IEEE Signal Processing Letters（投稿中，导师第一）