摘要

近年来，利用可见光波段获取的图像在非受限环境下进行眼部生物特征识别，尤其是通过移动设备采集的图像，引起了研究者的广泛关注。当虹膜特征因遮挡或图像分辨率过低而无法获取时，眼周区域识别已被证明是一种可行的替代方案。然而，眼周特征所具备的唯一性远低于虹膜特征。因此，为了评估生物特征系统从眼周区域提取区分性信息的能力，使用包含大量受试者的数据集至关重要。此外，为应对眼周区域因光照变化和个体属性差异带来的类内变异问题，使用同一受试者在不同会话中采集的图像数据集显得尤为关键。然而，现有文献中的数据集普遍未能同时满足上述所有条件。为此，本文提出一个全新的眼周数据集，包含1,122名受试者的样本，由196种不同的移动设备在三个不同会话中采集。图像在非受限环境下获取，仅向参与者提供一条简单指令：将眼睛置于感兴趣区域。此外，本文还对多种卷积神经网络（CNN）架构及当前先进方法中常用的模型——包括基于多分类任务、多任务学习、成对滤波网络和孪生网络的方法——进行了全面的基准测试。在闭集与开集协议下，针对识别与验证任务所取得的实验结果表明，该领域仍亟需进一步的研究与技术发展。