1.基于细分类和对抗域泛化的人脸活体检测系统，其特征在于，由特征提取器、域鉴别器和分类器组成；

所述特征提取器用于对不同源域的人脸图像分别提取出真实人脸特征和攻击人脸特征，并将真实人脸特征和攻击人脸特征经过归一化处理后输入分类器进行分类；

所述域鉴别器用于鉴别来自不同源域的真实人脸特征，对攻击人脸特征不做处理，域鉴别器与特征提取器形成单边的对抗学习，使人脸活体检测系统在进行真实人脸特征提取时忽略域间差异，从而在特征空间中混合不同源域的真实人脸；

所述分类器，用于对人脸图像进行真实人脸图像和攻击人脸图像的分类;根据伪装展示材料和伪装方式的不同，对不同数据集中的人脸图像进行更细粒度的划分;采用添加调制因子的自适应交叉熵损失函数对分类器进行训练，得到自适应分类损失；

使用引入动态内核生成器的ConvNeXt网络作为特征提取器的主干网络，所述主干网络由多个堆叠模块组成，每个堆叠模块由下采样层、若干卷积块和动态卷积块组成；所述动态卷积块包括静态卷积分支和动态内核分支；其中，静态卷积分支中仅有一个固定参数的卷积块对后一半输入特征进行卷积操作；动态内核分支结构中则包含全局平均池化操作，先将前一半的输入特征进行全局平均池化，而后，对全局平均池化后的特征进行卷积操作生成基于每个实例的动态内核，最后使用动态内核进行卷积操作提取前一半的输入特征的特有特征。

2.根据权利要求1所述的基于细分类和对抗域泛化的人脸活体检测系统，其特征在于，所述主干网络由四个堆叠模块组成，第一个堆叠模块依次由下采样层、3个卷积块和1个动态卷积块组成，第二个堆叠模块和四个堆叠模块的结构与第一个堆叠模块结构相同，第三个堆叠模块依次由下采样层、9个卷积块和1个动态卷积块组成。

3.基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，采用权利要求1所述的人脸活体检测系统，步骤如下：S1：根据伪装展示材料以及伪装方式的不同，将不同数据集进行细粒度的类别划分；从不同源域中获取人脸图像，将人脸图像通过特征提取器分别提取真实人脸特征和攻击人脸特征，并将提取的真实人脸特征和攻击人脸特征分别进行归一化处理，得到归一化特征；

S2：将归一化特征分别输入分类器进行预测分类，并将分类结果作为权重添加进域鉴别模块，域鉴别器与特征提取器进行对抗训练，得到加权的域对抗损失；

S3：采用添加调制因子的自适应交叉熵损失函数对分类器进行训练，得到自适应分类损失；以及使用N对度量学习优化进行训练，得到N对损失；

S4：结合加权的域对抗损失、自适应分类损失和N对损失构建综合优化目标，采用综合优化目标对特征提取器和分类器进行优化训练；

S5：将目标域中的测试样本输入优化后的特征提取器和分类器进行人脸活体检测。

4.根据权利要求3所述的基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，将人脸图像通过特征提取器分别提取真实人脸特征和攻击人脸特征的过程为：首先将人脸图像进行下采样操作，即输入到卷积核大小k=4，步距s=4的卷积块，并进行层归一化；然后通过ConvNeXt网络自带的卷积块进行卷积操作；通过一个卷积核大小k=7，步距为s=1，填充值p=3的卷积块卷积后，使用两个相同的卷积核大小k=1，步距s=1的卷积块对特征进一步提取，最后与输入该卷积块的特征级联进入下一个堆叠模块；动态卷积块则用于提取不同人脸图像的特有特征；在ConvNeXt网络的后续下采样层中均使用卷积核大小k=2，步距s=2的卷积层进行下采样；在所有卷积块执行完后通过一个全局平均池化操作得到输出特征。

5.根据权利要求3所述的基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，所述归一化处理是L2归一化处理。

6.根据权利要求3所述的基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，将归一化特征输入分类器进行预测分类时，采用以下公式来衡量分类器分类的不确定性：；

其中，C表示类别总数， c表示类别， c=1表示为真实人脸特征， 表示信息熵， 表示输入的样本在分类器中预测为c 类的概率。

7.根据权利要求6所述的基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，将分类结果作为权重添加进域鉴别模块，域鉴别器与特征提取器进行对抗训练，得到加权的域对抗损失，具体过程如下：对抗训练过程的最终优化目标如公式所示：

；

其中， 表示加权的域对抗损失，x表示输入的图像特征，X表示源域集合，y表示x的域标签，Y表示域标签集合，E表示期望值，G表示特征提取器，G(x)表示特征提取器输出， D代表域判别器；  表示指示函数，当n=y时，表示域鉴别器正确的鉴别出了输入的人脸图像所属的域，函数值取1，否则取0， 为熵感知权重， 。

8.根据权利要求7所述的基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，自适应分类损失 表示如下：；

其中， 为分类损失，  为调制因子，为自适应指数。

9.根据权利要求8所述的基于细分类和对抗域泛化的人脸活体检测方法，其特征在于，综合优化目标的总体优化损失如下所示：；

其中， 表示总体优化损失， 代表 N对损失， 表示加权的域对抗损失的贡献度大小， 表示N对损失的贡献度大小， 表示自适应分类损失的贡献度大小。