1.基于迁移学习的人脸活体检测方法，其特征在于：

S1、将视频数据切分为图像序列，检测图像序列中的人脸，把图像中的人脸部分进行处理；将处理后的数据分为源域和目标域；

S2、在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层，形成标签神经网络，将源域数据送入该标签神经网络中，从而训练出标签分类器；

S3、在该标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将源域和目标域的数据送入该梯度反转神经网络中，从而训练出域分类器；

S4、根据该域分类器提取出源域和目标域的公共特征，再次训练标签分类器；

S5、将目标域的测试集数据送入步骤S4中训练好的标签分类器，确定出该图像的标签，即判断该图像为真实人脸或是虚假人脸；

其中，源域带有真假人脸标签，目标域未带标签；

所述3D卷积神经网络的卷积层包括5个3D卷积层、5个池化层，每个3D卷积层和池化层之间有归一化层，每层的激励函数用的是LeakyReLU。

2.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S1具体包括：将视频数据切分为图像序列，检测每一帧图像中的人脸，把人脸部分剪切成相同的大小，并将处理后的人脸图像分为源域和目标域，分别对应为训练集和测试集。

3.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：所述3D卷积神经网络具体包括：搭建3D卷积神经网络，第l层的卷积核为Wl×Hl×Tl，Tl是连续帧值，Wl×Hl是卷积核的空间大小；3D卷积操作的计算公式为：其中， 表示第l卷积层中的第d2个特征在点(i,j,k)的输出值； 表示第l卷积层中的第d2个特征在点(i,j,k)的输入值， 是3D卷积神经网络中第l层中的第d1特征到d2特征在点(m,n,p)的权重， 是第d2个特征在第l个卷积层的偏置，σ(·)是非线性激活函数。

4.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：所述标签分类器是通过如下方式训练的：将3D卷积神经网络后增加两层全连接层和Softmax层，搭建出标签神经网络；通过将源域数据送至该标签神经网络中，使得第一分类损失函数最小化，完成训练后获得该标签分类器。

5.根据权利要求4所述的基于迁移学习的人脸活体检测方法，其特征在于：所述第一分类损失函数为：其中，Ly表示第一分类损失函数，Gy(·)表示预测层函数，Gf(·)表示隐藏层函数，x表示预测数据，(xi,yi)表示第i个源域数据和对应的标签。

6.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S3域分类器是通过如下方式训练：在所述标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将3D卷积神经网络作为特征生成器，将域分类器作为判别器；特征生成器和判别器在梯度反转层的作用下形成对抗关系，利用源域和目标域训练对抗网络，使得特征生成器生成的特征混淆判别器，从而特征提取器提取的特征为源域和目标域的公共特征；最小化第二分类损失函数，最大化域损失函数，从而获得该域分类器；

将梯度反转层作为函数R(X)，定义前向传播的过程为：R(X)＝X，反向传播公式为：其中I是单位矩阵。

7.根据权利要求5所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S4中的第二分类损失函数和域损失函数具体包括：其中， 表示对于第i个源域数据的第二分类损失函数； 表示第i

个源域数据的域损失函数；Gf(:；θf)表示D维的神经网络特征提取，Gy(:；θy)表示标签预测输出层，Gd(:；θd)是域的预测输出，yi表示真实标签，di表示域标签，θf表示3D卷积网络参数；

θy表示标签损失函数传递参数；θd表示域损失函数传递参数，n表示样本数，ρ表示权衡参数；

(xi,yi)表示第i个源域数据。

8.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S5具体包括：把目标域的测试集，送入到S4中训练好的标签神经网络中，该标签神经网络的最后一层为Softmax层，该层输出的是分类样本为真实人脸或虚假人脸的概率值，取概率值最大的类别概率，当作最后的检测结果。