1.基于自适应图神经网络的鲁棒人脸活体检测方法，采用的鲁棒人脸活体检测模型按功能划分包括数据处理模块、特征提取模块、拓扑图构建及更新模块和分类器，其特征在于，步骤如下：S1：数据处理模块将人脸图像训练样本按照设置的比例划分为支持集样本和查询集样本，同时对支持集样本和查询集样本分批次进行数据预处理和数据增强处理，最后通过分块处理将人脸图像划分为大小相同的图像块；

S2：通过特征提取模块将图像块进行向量化，提取人脸图像特征；

S3：拓扑图构建及更新模块包括动态K近邻稠密算法和自适应图卷积模块，根据人脸图像特征，引入图像块的空间位置信息，将划分的每个图像块都视作节点，采用动态K近邻稠密算法自适应地构造拓扑图，拓扑图的更新包括边的更新以及节点的更新，通过自适应图卷积模块实现节点特征的更新，更新节点特征之后再通过动态K近邻稠密算法进行边的更新，循环边的更新以及节点的更新过程，得到最优拓扑图；所述自适应图卷积模块由自适应图卷积块和下采样层组成，共使用十二个自适应图卷积块，分为2个，2个，6个，2个四个部分，每部分之间通过下采样层进行连接，且每个部分的特征维度是不断升高的；自适应图卷积块集成了图卷积网络和前馈神经网络，图卷积网络和前馈神经网络都使用残差连接；

S4：分类器根据最优拓扑图的特征信息判断是活体还是伪装人脸。

2.根据权利要求1所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，步骤S1中，数据预处理是随机地选择翻转、颜色抖动、擦除以及混合图像对样本数据处理；数据增强处理是随机地选择混合数据增强或切割混合数据增强方法来进行数据增强。

3.根据权利要求1所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，采用动态K近邻稠密算法自适应地构造拓扑图的方式为：将每个图像块转化成特征向量，并作为节点，节点特征 包括节点的嵌入特征 与位置编码 ，得到无序的节点集合；表示第i个节点，i∈{1,2,…,N}，N为节点数量，对于每一个节点，通过定义的度量函数计算节点间的成对距离，然后通过动态K近邻稠密算法来选择K个最近的邻居节点，邻居节点集合表示为 ，同时为所有邻居节点 ，构造连接节点 和节点 的边 ，然后得到图 ， 代表边集合。

4.根据权利要求1所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，所述动态K近邻稠密算法的处理过程如下：首先基于节点特征 计算得到节点间的成对距离，并计算得到每个节点到其他所有节点的平均距离 ，然后计算各节点的逆密度 ，并将逆密度进行归一化；

                 （1）；

其中， 表示各节点的归一化逆密度， 是最大归一化逆密度， 是最小归一化逆密度；

取中位数来确定样本的K值，先计算中位数基准： ，然后根据中位数基

准计算K值：

    （2）；

其中，quantile(•)是一个统计学函数， 表示四舍五入取整， 是设置的最大K值， 是设置的最小K值；

最后，应用边界条件确保K值在设置的 到 之间：

            （3）。

5.根据权利要求3所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，步骤S3中，节点的更新是通过聚合和更新邻居节点的嵌入特征来实现节点间的信息交换：   （4）；

其中， 为更新后的第i个节点， 和 分别是聚合以及更新操作的可学习参数，和 分别是聚合和更新函数；聚合操作通过汇聚邻居节点的嵌入特征来计算节点的表示，更新操作则进一步对聚合后的嵌入特征进行非线性变换；

自适应图卷积模块采用最大相关图卷积来捕捉嵌入特征，其聚合与更新的公式如下：     (5) ；

    (6)；

为节点 与其邻居节点 通过最大相关图卷积进行聚合后得到的嵌入特征， 则是由 更新后得到的嵌入特征；

整个节点的更新过程表示为： ， 为更新后的嵌入特征，AGCN表示自适应图卷积模块的操作。

6.根据权利要求1所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，所述图卷积网络依次由第一个二维卷积、第一全连接层、第二个二维卷积、第二全连接层、参数化整流线性单元激活函数、最大相关图卷积块、第三个二维卷积、第三全连接层以及第一路径丢弃块组成。

7.根据权利要求1所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，训练阶段，将鲁棒人脸活体检测模型的训练阶段转变为内循环训练、外循环训练两个阶段，内循环训练阶段对元学习参数进行更新优化；在外循环训练阶段，先加载内循环训练适应后的元学习参数，而后更新鲁棒人脸活体检测模型的整体参数，选择分类器参数作为元学习参数 。

8.根据权利要求7所述的基于自适应图神经网络的鲁棒人脸活体检测方法，其特征在于，内循环训练的目标函数选择KL散度损失，外循环训练的目标函数选择软标签交叉熵损失。

9.一种基于自适应图神经网络的鲁棒人脸活体检测系统，包括处理器和存储器，存储器存储有计算机程序指令，其特征在于，当计算机程序指令被处理器执行时实现权利要求

1‑8任意一项所述的基于自适应图神经网络的鲁棒人脸活体检测方法。