1.一种基于多尺度反色方法的人脸活体检测方法，其特征在于，包括：

(1)读取视频，对视频进行预处理得到人脸图像集，并将人脸图像集划分为训练集与测试集；

(2)搭建基于多尺度反色方法以及注意力机制的网络模型，其整体结构为双流卷积神经网络，其一支是将输入的待测人脸图像首先转换为灰度图，后经过多尺度反色方法得到MSCI图像，另一支直接输入待测人脸图像；以改进的MobileNetV3网络为骨干网络；将所述MSCI图像和待测人脸图像分别输入到所述改进的MobileNetV3网络中分别提取人脸的反射特征和颜色特征；将这两流的特征进行融合并传递给全连接网络来判断输入图像是否为真实人脸图像；

所述多尺度反色方法包括：

(21)输入图像S(x,y)经过高斯函数过滤并归一化，然后被单位矩阵I减去得到照明图像L(x,y)，即(22)使用log[S(x,y)]减log[L(x,y)]得到r(x,y)，每个r(x,y)是一个单尺度反色方法的输出，具体公式为：其中，(x,y)代表输入图像的像素坐标；G(x,y)为高斯滤波函数，高斯函数中标准差的不同取值代表了不同尺度的高斯滤波，Gi(x,y)表示第i个单尺度反色方法中的高斯滤波函数；ri(x,y)表示第i个单尺度反色方法的输出， 为卷积符号；

(23)将多个单尺度反色方法的输出进行加权融合后得到的就是多尺度反色方法的输出，具体公式为：为了保证单尺度反色方法同时具有低、中、高三个尺度的优势，设置尺度数量K＝3，且即三个尺度的单尺度反色方法加权融合后得到多尺度反色方法；

(3)在训练集上对网络模型进行训练；

(4)利用训练好的网络模型在测试集上进行人脸活体检测。

2.根据权利要求1所述的基于多尺度反色方法的人脸活体检测方法，其特征在于，步骤(1)中对视频进行预处理包括以下步骤：(11)读取视频的每一帧图像，采用dlib库进行人脸关键点检测，使用仿射变换对齐检测到的人脸，得到人脸图像；

(12)对得到的人脸图像进行数据增强，数据增强采用的方式包括：随机旋转、随机进行平移、随机进行亮度调节、随即进行水平翻转和随机进行缩放。

3.根据权利要求1所述的基于多尺度反色方法的人脸活体检测方法，其特征在于，步骤(3)中，对网络模型进行训练采用的是二元交叉熵函数作为损失函数。

4.根据权利要求1所述的基于多尺度反色方法的人脸活体检测方法，其特征在于，所述改进的MobileNetV3网络具体包括：将MobileNetV3网络的第一层，步长由2改为1，也就是说在这一层的卷积运算过程中特征尺度不变；在MobileNetV3网络的第一层卷积之后加入并行CBAM注意力模块；结合MobileNetV3网络的第一层对步长的修改，将MobileNetV3网络的第二和三层的瓶颈层进行合并；删除MobileNetV3网络的最后两层；将MobileNetV3网络最后一层的输出通道数改为2。

5.根据权利要求4所述的基于多尺度反色方法的人脸活体检测方法，其特征在于，所述并行CBAM注意力模块是将CBAM注意力模块的连接方式由串联改为并联，即：对输入的中间特征图，分别经过独立的通道注意力机制和空间注意力机制推断出注意力权重，然后分别与原中间特征图相乘进行特征的自适应调整，最后将两个经过特征自适应调整后的特征图与原特征图进行融合达到使网络更加关注感兴趣区域的目的。

6.一种基于权利要求1‑5任一项所述方法的人脸活体检测系统，其特征在于，包括：预处理模块，用于读取视频，对视频进行预处理得到人脸图像集，并将人脸图像集划分为训练集与测试集；

模型构建模块，用于搭建基于多尺度反色方法以及注意力机制的网络模型，所述网络模型以改进的MobileNetV3网络为骨干网络；

训练模块，用于在训练集上对网络模型进行训练；

测试模块，用于利用训练好的网络模型在测试集上进行人脸活体检测。

7.根据权利要求6所述的人脸活体检测系统，其特征在于，所述模型构建模块中，基于多尺度反色方法以及注意力机制的网络模型的整体结构为双流卷积神经网络，其一支是将输入的待测人脸图像首先转换为灰度图，后经过多尺度反色方法得到MSCI图像，另一支直接输入待测人脸图像；将所述MSCI图像和待测人脸图像分别输入到所述改进的MobileNetV3网络中分别提取人脸的反射特征和颜色特征；将这两流的特征进行融合并传递给全连接网络来判断输入图像是否为真实人脸图像。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序在被计算机处理器执行时实现权利要求1至5任一项所述的方法。