1.一种基于风格混合重组的人脸反欺骗域泛化方法，其特征在于，包括以下步骤：S1：构造数据处理模型；

S11：构造对抗学习模块；

S12：构造对比学习模块；

S13：构造风格组装层；

S14：构造损失函数；

S2：训练流程；

S21：将不同域的RGB图像输入进特征生成器中，将其完整的特征表示分离为内容特征和风格特征，风格特征又分为与活性相关的风格特征和特定域相关的风格特征；

S22：内容特征经过抗学习模块，输入进瓦瑟斯坦生成对抗网络中，使得不同域的内容特征不可区分；

S23：采用对比学习的策略强调与活性相关的风格特征，抑制特定域相关的特征；

S24：将风格特征输入进柯尔莫哥洛夫‑阿诺德网络中得到更完整的表示以及风格重组层中自适应实例规范化所需要的仿射参数 及 ；

S25：将正确的风格特征及内容特征进行重组，提高数据处理模型的泛化性以及鲁棒性；

所述对抗学习模块具体为：通过利用最大化对抗损失函数来优化内容特征生成器的参数，而在相反的方向上优化特定域特征生成器的参数，并使用以下公式表示该过程：（1）；

其中： 为判别器目标；

为生成器目标；

是对抗损失函数；

表示从数据分布（ ）中采样输入图像 ，和对应域标签 的期望；

是输入图像集合 ，是指示函数；

为域标签的集合；

为不同数据域的数量；

为内容特征生成器；

为域特征生成器；

为了同时优化内容特征生成器及域特征生成器，瓦瑟斯坦生成对抗网络用于通过使用瓦瑟斯坦距离，衡量生成分布与真实分布之间的差异，提供更平滑的梯度，使得内容特征在不同域之间保持内容特征一致性；

对于风格信息聚合，由于风格特征的尺度不同，使用金字塔网络沿着层次结构收集多层度特征；

所述对比学习模块具体为：结合内容特征及风格特征，得到自组装特征 及混洗‑组装特征 ；

给定长度为 的输入序列， 表示为输入的第 个样本，其中 ，代表随机选择的样本索引， 就是随机样本；

对于自组装特征 ，将其输入到分类器，并使用具有损失函数 的二进制地面实况信号真实值用来监督；

对于混洗‑组装特征 ，通过使用余弦相似性来度量它们与自组装特征的差异，余弦相似性计算公式如下所示：（2）；

其中： 代表 范式；

和 表示两个比较的特征；

将自组装特征 设置为风格化特征空间的锚点，对其执行梯度停止操作，以固定其在特征空间的位置，然后根据活性信息引导混洗‑组装特征 向其对应的锚点 靠近或者远离，因此对比损失函数 表示如下：（3）；

其中： 代表自组装特征 ；

代表混洗‑组装特征 ；

Stopgrad（）是深度学习框架中的一种操作；

表示给定的一段样本序列的长度；

评估 和 的活性标签一致性，模拟过程如下所示：（4）；

其中：label表示输入样本的二分类标签用于区分活体和攻击两类样本。

2.根据权利要求1所述的基于风格混合重组的人脸反欺骗域泛化方法，其特征在于：风格组装层基于自适应实例规范化技术实现风格转移，给定风格特征 ，内容特征 ，其中自适应实例规范化技术公式如下：（5）；

其中： 和 分别表示通道平均值和标准差；

和 是柯尔莫哥洛夫‑阿诺德网络由公式（6）中风格输入特征 生成的仿射参数；

为了将联合收割机内容特征 和风格特征 相结合，通过使用自适应实例规范化技术和具有残差映射的卷积算子来建立风格组装层，具体过程如下所示：（6）；

其中：KAN为神经网络模型；

GAP为全局平均池化；

和 是3×3卷积核；

代表卷积运算；

是中间变量；

ReLU（）是分段线性激活函数其公式为 ；

SAL（）是风格组装层；

提出混洗风格组装方法来形成辅助风格化特征，用于领域泛化；

给定小批量中长度为 的输入序列， 表示输入样本，内容特征表示为 ，而风格特征表示为特征为 ，因此，对应的组合特征空间 公式化如下：（7）；

该公式表示给定输入图像 ，对应的风格组装层中对应的内容特征 及。

3.根据权利要求2所述的基于风格混合重组的人脸反欺骗域泛化方法，其特征在于：模型的损失函数如下所示：（8）；

和 是两个超参数。