1.一种基于边点差分超图卷积的人脸活体检测方法，其特征在于，步骤如下：S1：将输入的人脸图像划分成不重叠的图像块，将图像块通过卷积层提取出特征；再使用K近邻和模糊C聚类算法，根据特征之间的距离构建超图结构；

S2：将得到的超图结构送入边点差分超图卷积，以顶点‑超边‑顶点的方式流动信息，对超边和顶点特征进行聚合和更新，得到新的顶点特征；所述边点差分超图卷积包括边点差分顶点卷积和基于自注意力的超边卷积，通过边点差分顶点卷积将顶点特征聚合到超边，然后通过基于自注意力的超边卷积将相邻的超边特征聚合到顶点，得到新的顶点特征；边点差分顶点卷积由边点最大相关图卷积和边点差分图卷积组成；边点最大相关图卷积选择超边与相连顶点的最大差值来更新超边；边点差分图卷积是将各个与超边相关的顶点特征与超边特征相减得到差值，并与注意力权重相乘，之后和超边特征拼接；最后使用跳连接，与超边特征相加；

S3：将所得新的顶点特征送入非对称三元组损失函数进行优化，在特征空间中进一步促使类内的紧凑和类间的分离；

S4：将优化后的顶点特征送入分类器，得出类别概率，确定人脸图像所属的类别。

2.根据权利要求1所述的基于边点差分超图卷积的人脸活体检测方法，其特征在于，步骤S1中，首先将一幅大小为H × W的人脸图像均匀划分为m个图像块，将每个图像块转化为特征向量后，得到数据矩阵X = [x1 ， x2 ，…，xi，…， xm]，xi为第i个图像块的特征向量，i = 1，2，…，m；之后初始化一个可学习的位置编码，位置编码的维度与图像块的特征向量维度相同；将位置编码与特征向量相加，引入特征的空间位置信息；然后利用K近邻和模糊C聚类算法构建超图，根据特征向量之间的欧氏距离寻找最近邻。

3.根据权利要求2所述的基于边点差分超图卷积的人脸活体检测方法，其特征在于，步骤S1中，使用K近邻算法分别以每个顶点为中心，利用顶点特征的欧式距离为每个顶点v生成1条超边；使用模糊C聚类算法在全局范围内进行顶点聚类，对于每个顶点v，寻找聚类中心与顶点v最近的S‑1个聚类，从而为每个顶点构建S‑1个超边，再加上K近邻算法所构成的1条超边，为每个顶点形成S个超边集；同时为每个超边构建相关的顶点集，从而构建顶点的超边集和超边的顶点集；

用符号Con( e )表示超边e包含的顶点集，用符号Adj( v )表示包含顶点v的所有超边组成的超边集，公式如下：；

；

其中n和s分别是超边e中顶点的个数和包含顶点v的超边的个数， 表示第n个顶点，表示第s条超边。

4.根据权利要求3所述的基于边点差分超图卷积的人脸活体检测方法，其特征在于，边点差分图卷积的计算公式如下：；

式中，表示第i条超边， 表示超边ei包含的顶点集； 表示超边

与其相连接的顶点 的差值， 是可学习的通道注意力权重， 是聚合时的可学习参数， 是加权后的边点差值， 表示在通道维度上进行像素乘法，最后将加权后的边点差值进行求和，得到边点差分图卷积的聚合值， 表示边点差分图卷积操作， 是特征向量的拼接函数。

5.根据权利要求4所述的基于边点差分超图卷积的人脸活体检测方法，其特征在于，边点差分顶点卷积操作的计算公式如下：；

式中，为更新过程中控制边点最大相关图卷积与边点差分图卷积影响权重的比例因子； 表示边点最大相关图卷积计算各个与超边相关的顶点 与超边 的最大差值， 是特征向量的拼接函数； 为更新后的超边特征。

6.根据权利要求1所述的基于边点差分超图卷积的人脸活体检测方法，其特征在于，基于自注意力的超边卷积是在超边卷积中使用自注意力机制，利用多层感知机生成每个超边的权重得分，输出的新的顶点特征是输入的超边特征的加权和。

7.根据权利要求1所述的基于边点差分超图卷积的人脸活体检测方法，其特征在于，将经过边点差分顶点卷积和超边卷积的特征作为新的顶点特征输入到K近邻和模糊C聚类算法中，不断更新超图结构；最后，结合非对称三元组损失和软标签交叉熵损失，不断反向传播，调整参数，使得损失最小。

8.一种用于实现权利要求1‑7任意一项所述的人脸活体检测方法的系统，其特征在于，包括：图像分割模块，用于将输入的人脸图像划分成不重叠的图像块；

特征提取模块，用于从图像块提取出特征；

超图构建模块，使用K近邻和模糊C聚类算法，根据特征之间的距离构建超图结构；

超图更新模块，内置边点差分超图卷积，用于对超边和顶点特征进行聚合和更新，得到新的顶点特征；

分类器，用于确定人脸图像所属的类别。