1.一种基于深度学习的未知欺骗攻击人脸活体检测方法，其特征在于：包括以下步骤：S1：将带有人脸图片集合的数据集划分为训练集和测试集，并进行预处理；

S2：将预处理后的训练集输入到图像聚类网络中，由图像聚类网络中的卷积残差节点提取人脸图片的数据特征；

S3：图像聚类网络中的树路由节点根据提取得到的数据特征将人脸图像分类路由入具有相似真实人脸特征缺失的聚类中；

S4：将人脸图像输入其所分类入的聚类对应的真实人脸特征分类网络；

S5：通过聚类对应的真实人脸特征分类网络，从输入的人脸图像中提取对应的真实人脸特征图；

S6：根据提取得到的真实人脸特征图完整性判断对输入人脸图像做出预测分类；

S7：通过反向传播的方法分别优化图像聚类网络和四个真实人脸特征分类网络，并进行多轮训练与优化；

S8：将测试集输入到训练好的图像聚类网络和实人脸特征分类网络中，输出预测结果，并与测试集数据标签对比，量化分类检测效果。

2.根据权利要求1所述基于深度学习的未知欺骗攻击人脸活体检测方法，其特征在于：所述预处理包括：对训练集和测试集中的所有图片都由RGB三颜色通道增加为RGB‑HSV六颜色通道，对训练集中的图片进行处理生成人脸深度图，作为监督标签，并与网络的预测标签计算误差，对网络进行反向传播优化。

3.根据权利要求1所述基于深度学习的未知欺骗攻击人脸活体检测方法，其特征在于：所述树路由节点根据欺骗图像的特征差异，将特征相似的欺骗图像聚成四类，共进行两次二分路由；

在使用人脸图片进行训练与检测时，对于每一组样本，都根据每一个样本相对于整组样本的最大数据差异进行一次二分路由；

所述二分路由的步骤包括：

首先通过卷积残差节点对输入的样本数据进行三次卷积操作，并在每次卷积之后将卷积前的数据与之相加，再进行一次最大池化，从而提取到样本数据更深层次的特征；

然后通过树路由节点根据每个样本x对于该组样本数据X的最大数据差异进行二分路由；

T

对于每个样本x，x v相当于x在向量v上的投影，如果当v选择恰当时，x的最大差异化也将能够在其向v上的投影表现出来；x相对于该组样本数据X的最大数据差异如公式所示：式中μ表示一组X的平均值；

寻找协方差矩阵 的最大特征向量作为合适的向量v，其中Xu＝X‑μ；基于特征分析的公式如下：

得到最大优化目标：

式中θ是前一个卷积残差节点的参数；

得到路由损失函数：

式中第一项应用指数函数使得最大化问题有界，第二项作为正则项引入。

4.根据权利要求1所述基于深度学习的未知欺骗攻击人脸活体检测方法，其特征在于：在神经网络的训练阶段，使用提取到的真实人脸特征图G与真实样本监督M的差值设计损失函数来对神经网络进行优化，如下所示：式中gx，y表示在G的(x，y)坐标上的像素值，mx，y表示与其相对应的M上(x，y)坐标的像素值，N表示G上像素值的数量；在进行未知欺骗攻击检测时，计算得到的人脸特征图的L1范数值如下所示：

通过计算得到L1范数值的作为欺骗检测依据，设定阈值，低于阈值的图像被视为欺骗攻击图像。

5.根据权利要求1所述基于深度学习的未知欺骗攻击人脸活体检测方法，其特征在于：所述真实人脸特征分类网络对输入数据进行卷积提取特征操作与池化下采样操作之后，还加入注意力机制，对输入的特征图进行平均池化处理后通过一层卷积层生成注意力图，再用注意力图与输入特征图做元素级的相乘操作，将特征图与注意力图的元素各自相乘，得到更注重重要特征信息的新特征图作为输出。

6.一种基于深度学习的未知欺骗攻击人脸活体检测系统，其特征在于：包括：数据预处理模块：用于对输入数据集进行处理，获取原始图像信息，获取训练集和测试集，为人脸图片数据增加HSV通道信息，为训练集中图片生成真实人脸特征分类网络模块训练优化所需的监督标签；

图像聚类网络模块：包括卷积残差模块与路由模块，其中卷积残差模块用于提取数据特征，路由模块用于根据数据特征对图像进行分类路由；

真实人脸特征分类网络模块：通过使用注意力机制模块与卷积残差机制从人脸图像中提取得到真实人脸特征图。

7.根据权利要求6所述的基于深度学习的未知欺骗攻击人脸活体检测系统，其特征在于：所述预处理模块用于对训练集和测试集中的所有图片都由RGB三颜色通道增加为RGB‑HSV六颜色通道，对训练集中的图片进行处理生成人脸深度图，作为监督标签，并与网络的预测标签计算误差，对网络进行反向传播优化。

8.根据权利要求6所述的基于深度学习的未知欺骗攻击人脸活体检测系统，其特征在于：在所述图像聚类网络模块中，所述路由模块根据欺骗图像的特征差异，将特征相似的欺骗图像聚成四类，共进行两次二分路由；

在使用人脸图片进行训练与检测时，对于每一组样本，都根据每一个样本相对于整组样本的最大数据差异进行一次二分路由；

所述二分路由的步骤包括：

首先通过卷积残差节点对输入的样本数据进行三次卷积操作，并在每次卷积之后将卷积前的数据与之相加，再进行一次最大池化，从而提取到样本数据更深层次的特征；

然后通过路由模块根据每个样本x对于该组样本数据X的最大数据差异进行二分路由；

T

对于每个样本x，x v相当于x在向量v上的投影，如果当v选择恰当时，x的最大差异化也将能够在其向v上的投影表现出来；x相对于该组样本数据X的最大数据差异如公式所示：式中μ表示一组X的平均值；

寻找协方差矩阵 的最大特征向量作为合适的向量v，其中Xu＝X‑μ；基于特征分析的公式如下：

得到最大优化目标：

式中θ是前一个卷积残差模块的参数；

得到路由损失函数：

式中第一项应用指数函数使得最大化问题有界，第二项作为正则项引入。

9.根据权利要求6所述的基于深度学习的未知欺骗攻击人脸活体检测系统，其特征在于：所述真实人脸特征分类网络模块对输入数据进行卷积提取特征操作与池化下采样操作之后，还加入注意力机制，对输入的特征图进行平均池化处理后通过一层卷积层生成注意力图，再用注意力图与输入特征图做元素级的相乘操作，将特征图与注意力图的元素各自相乘，得到更注重重要特征信息的新特征图作为输出。