1.一种更具欺诈辨别性的人脸活体检测方法，其特征在于，包括：

将人脸图像进行切片重组，并且随机选取图像片，将其填充成通道均值，而其他图像块不变，由此来构造非结构化图像，作为网络模型输入；

将非结构化图像输入欺诈线索生成器，输出欺诈线索特征图，得到欺诈线索回归的像素级损失，并使用嵌入XBM跨批存储机制的多尺度度量学习训练欺诈线索生成器，得到三元组损失；

将非结构化图像和欺诈线索特征图输入辅助分类器，得到辅助分类损失；

基于欺诈线索回归损失、三元组损失和辅助分类损失构造总体损失函数，使用总体损失函数优化网络模型；

总体损失函数为：

式中，i∈{E5,D1,D2,D3,D4}表示应用三元组损失惩罚的层，α1、α2、α3是超参数，用于平衡不同损失分量的重要程度；Lr为欺诈线索回归的像素级损失； 为三元组损失； 为基于XBM跨批存储机制的三元组损失；La为辅助分类损失；

在测试阶段，将待测人脸图像构造成非结构化图像，输入优化后的欺诈线索生成器，输出欺诈线索特征图，根据欺诈线索特征图计算欺诈得分，按照欺诈得分确定待测人脸图像是否为欺诈图像；

使用嵌入XBM跨批存储机制的多尺度度量学习训练欺诈线索生成器，首先需要在内存中创建队列Mi，队列中所存储的过去特征向量将用于难样本的挖掘，i∈{E5,D1,D2,D3,D4}分别代表编码器E5和四个解码器{D1,D2,D3,D4}，用于存储过去迭代训练的特征向量，其中 表示第j个样本的第i个编码或解码器输出的特征向量， 表示第j个样本的标签，q为队列长度；

嵌入XBM跨批存储机制的多尺度度量学习的子步骤包括：

采用度量学习方法对网络模型进行预训练，获得并记录下特征向量出现“慢漂移”现象时的迭代次数k；

前期迭代训练从一个批样本块中挖掘三元组样本，并计算样本之间的相似度，然后利用三元组损失对网络进行优化；

当迭代次数＞k，即特征向量出现“慢漂移”现象时，则模型进入后期迭代训练；采用基于XBM跨批存储机制的难样本挖掘策略，首先在队列中挖掘三元组样本对，获得一批样本的特征，然后进行队列更新，将当前批特征进入队列，最早批特征移出队列，接着计算样本之间的相似度，最后利用三元组损失对网络进行优化。

2.如权利要求1所述的更具欺诈辨别性的人脸活体检测方法，其特征在于，构造非结构化图像，具体为：将人脸图像分解成若干块，并对人脸图像块进行任意顺序排列，然后随机选取几个图像块，将其填充成通道均值，而其他图像块不变，由此构造非结构化的输入样本。

3.如权利要求2所述的更具欺诈辨别性的人脸活体检测方法，其特征在于，构造非结构化图像，具体包括如下子步骤：

3×H×W

对于原始的RGB人脸图像I∈[0,255] ，将其划分成M×N个{Ii,j}M×N网格，这些网格具有相同的高度h和宽度w，其中M＝H/h,N＝W/w；

在得到P＝M×N个人脸的网格后，将所有的网格像拼图一样置换；

随机选取P′(P′＜M×N)个网格，将这些网格填充成通道的像素平均值，最后将这些网

3×H×W

格组成一个新的图像I′∈[0,255] ，将非结构化处理后的新图像I′作为网络模型的输入样本。

4.如权利要求1所述的更具欺诈辨别性的人脸活体检测方法，其特征在于，欺诈线索生成器采用U‑Net架构，在多个尺度上建立从编码器到解码器的跳跃连接，以生成欺诈线索；

具体包括选择在ImageNet上预训练的ResNet18作为编码器E，其中包含5个编码器残块{E1,E2,E3,E4,E5}；解码器D由4个解码器残块{D1,D2,D3,D4}组成；在每个解码器残块中，前一层的特征图通过最近邻插值进行上采样，然后通过连接操作，将编码器中对称位置的特征添加到解码器中，构建不同尺度的特征输出；在解码器最后的一个残块连着一个Tanh激活层来产生欺诈线索。

5.如权利要求4所述的更具欺诈辨别性的人脸活体检测方法，其特征在于，采用多尺度度量学习技术对模型进行优化，具体包括如下子步骤：提取编码器残块E5层至解码器残块D4层的多尺度特征；

使用全局平均池化将多尺度特征向量化，得到一组特征向量；

计算特征向量的三元组损失，促使锚样本和正样本之间的距离尽量小，锚样本与负样本之间的距离尽量大。

6.如权利要求1所述的更具欺诈辨别性的人脸活体检测方法，其特征在于，在测试阶段，使用生成的欺诈线索映射而不是分类器的输出来进行人脸活体检测，将测试样本送入训练好的网络模型，得到测试样本的欺诈线索图 统计欺诈线索图的灰度平均值作为测试样本的欺诈得分，欺诈评分越高，测试样本是欺诈图像的可能性越大。