基于眼部裁切利用大规模人脸数据集进行深层眼周识别
计算机视觉与模式识别
2025-10-31 v1
摘要
我们关注眼球生物识别，具体是眼周区域（位于眼睛周围的区域），它具有高辨识度和最小的获取约束。我们评估了三种不同深度和复杂度的卷积神经网络架构，以评估其在眼周识别中的有效性。该网络在从大规模 VGGFace2 数据库中提取的 1,907,572 个眼部裁切图像上进行训练。这与现有工作形成鲜明对比，后者通常依赖小规模眼周数据集进行训练，仅包含几千张图像。实验使用 VGGFace2-Pose 中的眼部图像进行，后者是 VGGFace2 的子集，包含野外人脸图像；以及 UFPR-Periocular 数据集进行，后者由通过移动设备捕获的自拍图像组成，用户需在屏幕上进行引导。由于 VGGFace2 条件不受控制，利用眼部裁切图像获得的平等错误率（EER）范围为 9-15%，显著高于使用全脸图像获得的 3-6% EER。相比之下，UFPR-Periocular 数据集表现更佳（EER 为 1-2%），这得益于更高的图像质量和更一致的获取协议。据我们所知，这是目前在 UFPR 数据集上报告的最低 EER。
引用
@article{arxiv.2510.26294,
title = {Leveraging Large-Scale Face Datasets for Deep Periocular Recognition via Ocular Cropping},
author = {Fernando Alonso-Fernandez and Kevin Hernandez-Diaz and Jose Maria Buades Rubio and Josef Bigun},
journal= {arXiv preprint arXiv:2510.26294},
year = {2025}
}
备注
Published at IWAIPR 2025 conference