La tecnología de reconocimiento facial ha sido ampliamente utilizada debido a la conveniencia que proporciona. Sin embargo, el reconocimiento facial es vulnerable a ataques de suplantación que limitan su uso en áreas de aplicación sensibles. Este trabajo presenta un novedoso sistema anti-suplantación facial, FASS, que fusiona los resultados de dos clasificadores. Uno, random forest, utiliza los siete rasgos de calidad de imagen sin referencia identificados por nosotros y derivados de imágenes faciales, cuyos resultados se fusionan con los resultados de un clasificador de aprendizaje profundo que utiliza imágenes faciales completas como entrada. Se realizaron experimentos extensos para comparar FASS con sistemas anti-suplantación de vanguardia en cinco conjuntos de datos de referencia: Replay-Attack, CASIA-MFSD, MSU-MFSD, OULU-NPU y SiW. Los resultados muestran que FASS supera a todos los sistemas anti-suplantación facial basados en rasgos de calidad de imagen y también es más preciso que muchos de los sistemas de vanguardia basados en aprendizaje profundo.