1.一种条件对抗域泛化的人脸活体检测方法，其特征在于，包括：

从多源域图像中提取多源域图像特征，将提取的特征输入特征生成器生成特征编码，并将提取的特征输入深度估计网络输出人脸深度损失；

将特征编码输入分类器预估分类结果，将特征编码器输出的特征编码和分类器输出的分类结果进行张量积融合，将融合结果输入域判别器，进行域判别器和特征生成器的域对抗网络训练，得到域对抗损失；

其中，进行域判别器和特征生成器的域对抗网络训练包括：基于多线性映射的数据融合域对抗训练，通过多线性映射的方式进行数据融合，具体操作是使用特征编码和分类结果两个向量的张量积进行数据融合；基于熵加权条件域对抗训练，根据样本的分类预测结果，根据分类预测结果来给域判别器添加条件，通过添加条件来关联特征生成器和域判别器，给予不同的样本以不同的权重；

其中，根据分类预测结果计算信息熵，基于所述信息熵生成熵感知权重，用于对样本加权，抑制预测不确定样本对域对抗训练的影响；

使用交叉熵损失函数对分类器进行训练，得到分类损失；以及利用非对称三元组训练模型对特征编码进行训练，使得不同域的活体样本紧凑，并促使活体样本与假体样本之间以及不同域的假体样本之间离散，得到非对称三元组损失；

根据人脸深度图损失、非对称三元组损失、分类损失和域对抗损失构造综合优化目标，使用综合优化目标训练特征生成器和分类器；

在测试阶段，将测试样本送入特征生成器和分类器进行人脸活体检测。

2.如权利要求1所述的条件对抗域泛化的人脸活体检测方法，其特征在于，基于熵加权条件域对抗训练，具体包括：采用信息熵 来衡量分类器分类的不确定性，式中，C为类别数，gc是

样本的分类预测结果；

根据信息熵计算得到熵感知权重 被用来对样本重新加权，当分

类器预测的不确定性越大时，权重 值越小。

3.如权利要求2所述的条件对抗域泛化的人脸活体检测方法，其特征在于，在特征生成器和域判别器之间添加了梯度反转层，即在反向传播时，特征生成部分的梯度乘以‑λ来训练特征生成器和域判别器，其中， current_iters为模型训练当前迭代次数，total_iters为总迭代次数。

4.如权利要求1所述的条件对抗域泛化的人脸活体检测方法，其特征在于，构造的综合优化目标表示如下：LDG＝λ1LCls+λ2LAda+λ3LDep+λ4Ltrip

式中，LCls、LAda、LDep、Ltrip分别代表交叉熵分类损失、域对抗损失、人脸深度损失和非对称三元组损失，λ1~λ4是超参数。

5.如权利要求4所述的条件对抗域泛化的人脸活体检测方法，其特征在于，人脸深度损失如下：LDep(x,Dep)＝||Dep(E(x))‑I||

其中，E(x)为注意力残差网络输出的特征，Dep(E(x))是注意力残差网络模块中深度估计器所估计的深度图，I是用人脸对齐网络估计的深度图。

6.如权利要求4所述的条件对抗域泛化的人脸活体检测方法，其特征在于，非对称三元组损失损失函数表示如下：式中， 分别是描样本、正样本和负样本，α是边界阈值。

7.如权利要求4所述的条件对抗域泛化的人脸活体检测方法，其特征在于，假设有N个源域，分别定义为X＝X1,X2,...,XN,域标签定义为Y＝Y1,Y2,...,YN，每个域都包含两种类别的样本：活体人脸和假体人脸，对抗训练的最终优化目标如下：式中，LAda表示域对抗损失，D为域判别器，G为特征生成器，y是样本x的域标签，x,y分别服从X,Y分布，1[n＝y]是指示函数，当n＝y时，即判别器判断样本域正确时，指示函数为1，否则为0； h(x)是融合后的数据，G(x)是样本x的特征编码器输出，g(x)是其分类器输出。

8.一种条件对抗域泛化的人脸活体检测网络模型架构，其特征在于，包括：特征生成模块、条件域对抗训练模块和辅助监督分类模块；采用如权利要求1‑7任一项所述的条件对抗域泛化的人脸活体检测方法进行人脸活体检测，在训练阶段，通过人脸深度图损失、非对称三元组损失、分类损失和域对抗损失来训练特征生成网络和分类网络；在测试阶段，将测试样本送入特征生成网络和分类网络，从而进行人脸活体检测。