眼周之密：围眼生物识别技术的发展现状、挑战与未来应用前景分析

在人类寻找身份认证方法的漫长历程中，眼睛及其周围区域一直被视为独特的生物特征宝库。当我们走进机场安检，穿过商场入口，或者只是简单地解锁智能手机时，传统的虹膜或人脸识别技术可能会因光线不足、部分遮挡或远距离采集而失效。在这些挑战性环境下，一项新兴技术正逐渐崭露头角——围眼生物识别。这一技术聚焦于眼睛周围区域，包括眼睑、睫毛和眉毛等，能在各种复杂条件下提供稳定的身份验证。它既可远距离采集，又能在近距离发挥作用；既能适应可见光环境，也能在近红外光谱下工作。当其他生物特征难以捕捉时，围眼区域往往成为最后的可靠信息来源，为我们打开了生物识别的新视野。

眼周密码

围眼生物识别技术并非凭空而来，它的出现源于传统生物识别方法在实际应用中的局限性。所谓围眼区域，指的是眼睛周围的区域，包含眼睑、睫毛和眉毛等特征。这一区域看似简单，实则蕴含丰富的个人识别信息。

围眼识别技术最早可追溯到2002年，当时Smeraldi和Bigun使用Gabor滤波器分析眼睛区域特征，虽然他们那时还没有将这种方法称为＂围眼识别＂。真正将围眼区域作为独立生物特征的研究始于2009年，Park等人在研究中发现围眼区域具有很强的识别能力，这一发现为该领域奠定了基础。

围眼生物识别之所以受到关注，很大程度上是因为它克服了传统识别方法的缺点。比如在虹膜识别中，如果拍摄距离太远，虹膜图像往往会变得很小，难以提取有效特征；而人脸识别在光线不足或部分遮挡的情况下表现不佳。而围眼区域则不同，它在各种距离下都能获取，近距离时比整个人脸更容易捕捉（避免了因靠近而导致的脸部部分缺失），远距离时比虹膜具有更丰富的纹理信息。

围眼识别技术的应用场景十分广泛。在安全监控领域，当人们戴着口罩或墨镜，传统的人脸识别往往失效，而围眼区域通常仍然可见。在2010年至2014年的多项实验中，研究人员发现即使在人脸部分被遮挡的情况下，围眼识别的准确率仍能达到80%以上。

围眼识别在移动设备上也有广阔的应用前景。与需要精确对准的虹膜识别不同，围眼识别对用户使用姿势的要求更为宽松。这方面的研究表明，使用智能手机采集的围眼图像，虽然质量可能不如专业设备，但结合适当的算法处理后，仍能达到较高的识别准确率。Santos等人在2014年的研究显示，使用手机采集的围眼图像识别准确率可达75%。

非理想条件下，围眼识别的优势更为明显。在远距离采集、光线变化、图像模糊等情况下，围眼区域往往保持较好的识别性能。Alonso-Fernandez和Bigun在2015年的研究中，使用可见光与近红外光谱下的围眼图像进行了比较，结果显示即使在光线不理想的情况下，围眼识别仍能保持较高的准确率。

值得一提的是，围眼识别技术不仅可以独立使用，还可以与人脸或虹膜识别结合，形成多模态生物识别系统。多项研究表明，将围眼特征与虹膜或人脸特征融合后，识别性能显著提升。例如，Santos和Hoyle在2012年的研究中，将围眼与虹膜特征融合后，识别准确率从原来的单一模态下的70%左右提升到了87%。

围眼识别技术也在解决特殊挑战方面表现出色。例如在解决年龄变化问题上，Juefei-Xu等人在2011年的研究表明，围眼区域相对于整个人脸，对年龄变化更为稳定，这为长期身份识别提供了可能。另外，在处理整容手术后的身份识别方面，Jillela和Ross在2012年的研究显示，围眼区域的识别性能远超传统人脸识别方法，准确率可达63.9%，而商业人脸识别系统在此情况下的准确率往往低于30%。

技术解析

要实现围眼生物识别，首先需要从图像中准确定位和分割出围眼区域。早期研究往往依赖人工标记围眼区域，但这显然不适合实际应用。随着技术发展，多种自动检测方法被提出。

最常用的方法之一是Viola-Jones人脸检测器，该方法能够快速检测出人脸，进而定位眼睛位置。例如，Park等人在2010年使用此方法定位面部特征，然后提取围眼区域。但这种方法有个明显缺点：如果人脸检测失败，围眼区域也无法正确提取。

针对这一问题，一些研究者转向直接检测眼睛位置的方法。Alonso-Fernandez和Bigun在2014年提出了基于对称滤波器的眼睛检测方法，该方法不需要训练，且计算效率高，检测准确率达到96%。在近红外图像上表现尤为出色。

Padole和Proenca在2012年提出了一种新的围眼区域定位方法，他们建议计算围眼区域时应以眼角的中点为参考，而非传统的瞳孔中心。这一改进使得检测结果对视线变化不那么敏感，将识别错误率从约30%降至20%，是围眼检测领域的重要进步。

围眼分割也是关键环节。Jillela等人在2013年针对FOCS数据库中的困难图像，使用相关滤波器进行眼睛检测，达到了95%的准确率。Le等人在2014年则专门针对眉毛区域，提出了一种基于局部眉毛活动形状模型的分割方法，随后使用图割算法精确分割眉毛像素。这类细粒度分割方法为后续特征提取奠定了基础。

在特征提取方面，围眼识别方法大致可分为全局方法和局部方法两类。全局方法分析整个围眼区域的特性，如纹理、形状或颜色特征；局部方法则先检测特征点，再描述这些点周围的局部特性。

局部二值模式（LBP）是围眼识别中最广泛使用的特征之一。Park等人在2009年的开创性工作中使用LBP取得了很好的结果，此后多项研究都采用了这一方法或其变种。例如，Juefei-Xu等人在2010年提出了一种稳健的局部二值模式，在FRGC数据库上取得了突破性的识别率。LBP特征简单高效，对光照变化具有一定鲁棒性，是围眼识别的首选特征之一。

另一常用特征是方向梯度直方图（HOG），它通过计算图像梯度方向的分布来描述局部外观和形状。Mahalingam和Ricanek在2014年的研究中，将HOG应用于性别转换前后的围眼识别，显示了这类特征的稳定性。

在局部特征方面，尺度不变特征变换（SIFT）关键点是常用方法。SIFT能够检测图像中的关键点并描述其局部特性，对尺度、旋转和光照变化具有很强的鲁棒性。Karahan等人在2014年的研究中，比较了SIFT和SURF在围眼识别中的表现，发现在准确率方面各有千秋，但SIFT特征通常更为稳定。

除了这些主流方法，还有许多创新性特征被提出。例如，Bharadwaj等人在2010年评估了GIST特征在围眼识别中的表现，该特征基于五个与场景描述相关的感知维度（自然度、开放度、粗糙度、扩展性和坚固度）。Bakshi等人在2014年提出的相位密集全局模式（PIGP）和相位密集局部模式（PILP）特征，在UBIRIS v2数据库上取得了当时最好的围眼识别性能。

深度学习方法也开始在围眼识别中崭露头角。Nie等人在2014年提出了一种基于无监督卷积RBM的特征学习方法，在UBIPr数据库上取得了优异的结果。与传统手工设计特征不同，深度学习方法能够自动从数据中学习有效特征，适应性更强。

针对不同光谱条件下的围眼识别，研究者也提出了专门的解决方案。Uzair等人在2015年的研究中，评估了可见光、近红外和高光谱图像中的围眼识别性能，显示在跨光谱匹配场景中，特定的特征提取和匹配策略能够显著提升性能。

特征提取后，围眼识别通常采用距离度量或分类器进行身份匹配。常用的距离度量包括欧氏距离、余弦相似度和卡方距离等，而分类器则包括支持向量机、神经网络等。不同的特征往往适合不同的匹配方法，研究者通常需要通过实验确定最佳组合。

应用与挑战

随着安全需求的日益增长，围眼生物识别技术正在各种场景中崭露头角。在监控与安全领域，围眼识别解决了传统识别方法难以应对的远距离识别难题。2012年，Tan和Kumar进行的研究显示，当被识别对象距离摄像机较远时，虹膜图像变得很小，难以提取足够的特征，而围眼区域仍能保持识别所需的细节。在这种情况下，围眼识别的准确率比虹膜识别高出15%以上。

Jillela等人在2013年的FOCS数据库实验中，专门针对远距离和行走状态下的人员识别进行测试。这个数据库包含人们通过走廊或中庭时被捕获的视频，模拟了真实的监控环境。研究结果表明，即使在这种动态且不受控的环境中，围眼识别仍能达到近98%的准确率，超过了同条件下的虹膜识别。

在移动设备中，围眼识别也有着独特优势。Santos等人在2014年发布的CSIP数据库中，收集了使用不同智能手机型号拍摄的围眼图像。他们的研究表明，虽然手机拍摄的图像质量不如专业设备，但围眼识别的准确率仍能达到75%以上。相比之下，同样条件下的虹膜识别往往因为手机摄像头分辨率限制，准确率大幅下降。

值得一提的是，移动设备上的围眼识别还面临一个特殊挑战：不同手机型号的摄像头参数差异很大。Santos等人的研究显示，当训练数据和测试数据来自不同型号手机时，识别准确率会下降20%左右。为解决这个问题，他们提出了一种设备特定的校准方法，成功将准确率提升了15%。

跨设备、跨光谱的围眼识别是当前研究的热点。在2014年，Sharma等人提出了一个专门用于跨光谱围眼研究的IMP数据库，包含可见光、近红外和夜视模式下的图像。他们的实验显示，未经处理的情况下，跨光谱匹配的准确率通常低于40%。通过采用特定的特征表示和匹配策略，准确率提升到70%以上。这一进步为夜间安防、低光照条件下的识别提供了可能。

Cao和Schmid在2014年的研究中，专门探讨了短距离和长距离采集的围眼图像之间的匹配问题。他们发现，当采集距离从1米增加到10米时，识别准确率下降约25%。他们提出的异质域适应方法，将这一下降幅度减少到10%以内，为远距离监控提供了技术支持。

围眼识别在表情变化方面展现出比人脸识别更好的鲁棒性。2013年，Barroso等人创建了FaceExpressUBI数据库，专门用于研究面部表情对生物识别的影响。他们的研究表明，即便面部表情发生显著变化，围眼区域的识别准确率仍保持在80%以上，而全脸识别准确率下降至70%以下。

Proenca和Briceno在2014年通过弹性图匹配算法，解决了表情变化导致的围眼区域形变问题。他们的方法将表情变化下的识别错误率从20%降低到5%以下，接近中性表情的识别性能。

年龄变化对围眼识别的影响也较为复杂。根据Juefei-Xu等人在2011年的研究，短期内（几个月到一年）的年龄变化对围眼识别影响不大，但超过5年的长期变化会导致准确率下降15%至20%。他们提出的基于姿态校正和照明归一化的方法，有效减轻了年龄变化的负面影响。

这些研究表明，虽然围眼区域比全脸更稳定，但仍会受到各种因素的影响。为了在实际应用中取得良好效果，需要开发更多针对性的算法和预处理方法，以应对各种挑战性条件。

扩展功能

围眼区域不仅能用于身份识别，还蕴含着丰富的软生物特征信息。2010年，Merkow等人首次尝试仅使用围眼区域进行性别分类，取得了约76%的准确率。随后，Lyle等人在2012年的研究中，结合LBP、HOG和DCT特征，使用支持向量机分类器，将性别分类准确率提升至97.3%。这一成就使围眼区域成为性别识别的可靠信息来源。

值得一提的是，在同一研究中，Lyle等人还尝试了种族分类，取得了94%的准确率。这表明围眼区域包含的信息足以区分不同种族背景的个体。这些软生物特征可以缩小搜索范围，提高大规模身份识别系统的效率。

在2011年，Dong和Woodard的研究显示，仅使用眉毛形状特征就能达到97%的性别分类准确率。他们指出，眉毛作为面部最显著和稳定的特征之一，在法医分析中已被使用多年。这项研究为性别分类提供了一个简单而有效的方法。

将软生物特征与传统识别结合也能显著提升系统性能。Kumari等人在2012年的研究中，结合全局独立成分分析（ICA）特征进行性别分类，取得了90%的准确率。他们进一步将性别信息与身份识别融合，将整体识别准确率提升了约8%。

围眼识别在特殊情况下的表现也备受关注。2012年，Jillela和Ross研究了整容手术前后的面部匹配问题。他们使用了一个包含900名接受各种整容手术患者的数据库，结果显示商业人脸识别系统在手术前后的匹配准确率仅有35%左右。而基于围眼区域的识别方法达到了63.9%的准确率，结合人脸和围眼特征后，准确率进一步提升至87.4%。这一发现对执法部门追踪通过整容改变外貌的犯罪嫌疑人具有重要意义。

性别转换对识别系统的影响更为复杂。2014年，Mahalingam等人研究了激素替代疗法（HRT）对围眼识别的影响。他们构建了一个包含超过120万张从YouTube视频中提取的面部图像的数据库，这些视频记录了个体在HRT过程中的外貌变化。研究结果表明，随着HRT治疗的进行，商业人脸识别系统的准确率迅速下降，几个月后就难以正确识别。相比之下，围眼区域的识别性能更为稳定，准确率保持在57.79%，远高于其他面部区域和全脸识别。

围眼与其他生物特征的融合是提高整体识别性能的有效途径。2010年，Woodard等人将围眼特征与虹膜特征融合，将识别准确率从单一模态的80%左右提升至97%以上。2012年，Joshi等人也验证了类似的性能提升。这表明，即使在虹膜图像质量较差的情况下，围眼区域仍可提供有价值的补充信息。

Jillela和Ross在2014年的研究中，探讨了使用围眼特征匹配面部和虹膜图像的可能性。他们的实验表明，虽然围眼-面部和围眼-虹膜的跨模态匹配准确率低于同模态匹配，但通过适当的特征提取和匹配策略，可以达到实用水平。这为不同生物识别系统之间的互操作性提供了可能。

Alonso-Fernandez等人在2015年的研究中，比较了近红外和可见光下的围眼和虹膜识别性能。结果显示，在近红外条件下，虹膜识别优于围眼识别；而在可见光条件下，围眼识别性能更好。两种特征的融合在所有条件下都能提供最佳性能，证明了多模态融合的价值。

围眼生物识别的未来发展方向多种多样。新型传感器的引入为该领域带来了新机遇。2013年和2014年，Raghavendra等人探索了使用光场相机（LFC）采集围眼图像的可能性。这种相机能在单次拍摄中捕获多个不同焦距的图像，保证至少有一幅图像聚焦良好。实验结果显示，与传统数码相机相比，LFC采集的围眼图像识别性能提升了约10%。

深度学习方法在围眼识别中的应用也在迅速发展。Nie等人在2014年提出的无监督卷积RBM特征学习方法，标志着围眼识别向端到端学习系统的转变。这些方法无需手动设计特征，能自动从数据中学习最相关的表示，有望进一步提高识别性能。

另一个有趣的研究方向是从围眼区域重建全脸。2014年，Juefei-Xu等人提出了一种基于维度加权K-SVD的方法，能从围眼区域幻化出完整的人脸。这一技术在犯罪现场只有部分面部可见的情况下，可帮助警方生成可能的嫌疑人面貌。

总的来说，围眼生物识别技术正快速发展，从早期的基础研究进入到实际应用阶段。随着新算法、新技术和新应用的不断涌现，这一领域将继续为身份识别和验证领域做出重要贡献，特别是在传统方法面临挑战的困难环境中。

参考资料

1. Alonso-Fernandez， F.， &； Bigun， J. （2015）. Periocular biometrics: databases， algorithms and directions.

2. Santos， G.， &； Proenca， H. （2013）. Periocular biometrics: An emerging technology for unconstrained scenarios.

3. Nigam， I.， Vatsa， M.， &； Singh， R. （2015）. Ocular biometrics: A survey of modalities and fusion approaches.