眼周之密：圍眼生物識別技術的發展現狀、挑戰與未來應用前景分析

在人類尋找身份認證方法的漫長歷程中，眼睛及其周圍區域一直被視為獨特的生物特征寶庫。當我們走進機場安檢，穿過商場入口，或者只是簡單地解鎖智能手機時，傳統的虹膜或人臉識別技術可能會因光線不足、部分遮擋或遠距離采集而失效。在這些挑戰性環境下，一項新興技術正逐漸嶄露頭角——圍眼生物識別。這一技術聚焦于眼睛周圍區域，包括眼瞼、睫毛和眉毛等，能在各種復雜條件下提供穩定的身份驗證。它既可遠距離采集，又能在近距離發揮作用；既能適應可見光環境，也能在近紅外光譜下工作。當其他生物特征難以捕捉時，圍眼區域往往成為最后的可靠信息來源，為我們打開了生物識別的新視野。

眼周密碼

圍眼生物識別技術并非憑空而來，它的出現源于傳統生物識別方法在實際應用中的局限性。所謂圍眼區域，指的是眼睛周圍的區域，包含眼瞼、睫毛和眉毛等特征。這一區域看似簡單，實則蘊含豐富的個人識別信息。

圍眼識別技術最早可追溯到2002年，當時Smeraldi和Bigun使用Gabor濾波器分析眼睛區域特征，雖然他們那時還沒有將這種方法稱為＂圍眼識別＂。真正將圍眼區域作為獨立生物特征的研究始于2009年，Park等人在研究中發現圍眼區域具有很強的識別能力，這一發現為該領域奠定了基礎。

圍眼生物識別之所以受到關注，很大程度上是因為它克服了傳統識別方法的缺點。比如在虹膜識別中，如果拍攝距離太遠，虹膜圖像往往會變得很小，難以提取有效特征；而人臉識別在光線不足或部分遮擋的情況下表現不佳。而圍眼區域則不同，它在各種距離下都能獲取，近距離時比整個人臉更容易捕捉（避免了因靠近而導致的臉部部分缺失），遠距離時比虹膜具有更豐富的紋理信息。

圍眼識別技術的應用場景十分廣泛。在安全監控領域，當人們戴著口罩或墨鏡，傳統的人臉識別往往失效，而圍眼區域通常仍然可見。在2010年至2014年的多項實驗中，研究人員發現即使在人臉部分被遮擋的情況下，圍眼識別的準確率仍能達到80%以上。

圍眼識別在移動設備上也有廣闊的應用前景。與需要精確對準的虹膜識別不同，圍眼識別對用戶使用姿勢的要求更為寬松。這方面的研究表明，使用智能手機采集的圍眼圖像，雖然質量可能不如專業設備，但結合適當的算法處理后，仍能達到較高的識別準確率。Santos等人在2014年的研究顯示，使用手機采集的圍眼圖像識別準確率可達75%。

非理想條件下，圍眼識別的優勢更為明顯。在遠距離采集、光線變化、圖像模糊等情況下，圍眼區域往往保持較好的識別性能。Alonso-Fernandez和Bigun在2015年的研究中，使用可見光與近紅外光譜下的圍眼圖像進行了比較，結果顯示即使在光線不理想的情況下，圍眼識別仍能保持較高的準確率。

值得一提的是，圍眼識別技術不僅可以獨立使用，還可以與人臉或虹膜識別結合，形成多模態生物識別系統。多項研究表明，將圍眼特征與虹膜或人臉特征融合后，識別性能顯著提升。例如，Santos和Hoyle在2012年的研究中，將圍眼與虹膜特征融合后，識別準確率從原來的單一模態下的70%左右提升到了87%。

圍眼識別技術也在解決特殊挑戰方面表現出色。例如在解決年齡變化問題上，Juefei-Xu等人在2011年的研究表明，圍眼區域相對于整個人臉，對年齡變化更為穩定，這為長期身份識別提供了可能。另外，在處理整容手術后的身份識別方面，Jillela和Ross在2012年的研究顯示，圍眼區域的識別性能遠超傳統人臉識別方法，準確率可達63.9%，而商業人臉識別系統在此情況下的準確率往往低于30%。

技術解析

要實現圍眼生物識別，首先需要從圖像中準確定位和分割出圍眼區域。早期研究往往依賴人工標記圍眼區域，但這顯然不適合實際應用。隨著技術發展，多種自動檢測方法被提出。

最常用的方法之一是Viola-Jones人臉檢測器，該方法能夠快速檢測出人臉，進而定位眼睛位置。例如，Park等人在2010年使用此方法定位面部特征，然后提取圍眼區域。但這種方法有個明顯缺點：如果人臉檢測失敗，圍眼區域也無法正確提取。

針對這一問題，一些研究者轉向直接檢測眼睛位置的方法。Alonso-Fernandez和Bigun在2014年提出了基于對稱濾波器的眼睛檢測方法，該方法不需要訓練，且計算效率高，檢測準確率達到96%。在近紅外圖像上表現尤為出色。

Padole和Proenca在2012年提出了一種新的圍眼區域定位方法，他們建議計算圍眼區域時應以眼角的中點為參考，而非傳統的瞳孔中心。這一改進使得檢測結果對視線變化不那么敏感，將識別錯誤率從約30%降至20%，是圍眼檢測領域的重要進步。

圍眼分割也是關鍵環節。Jillela等人在2013年針對FOCS數據庫中的困難圖像，使用相關濾波器進行眼睛檢測，達到了95%的準確率。Le等人在2014年則專門針對眉毛區域，提出了一種基于局部眉毛活動形狀模型的分割方法，隨后使用圖割算法精確分割眉毛像素。這類細粒度分割方法為后續特征提取奠定了基礎。

在特征提取方面，圍眼識別方法大致可分為全局方法和局部方法兩類。全局方法分析整個圍眼區域的特性，如紋理、形狀或顏色特征；局部方法則先檢測特征點，再描述這些點周圍的局部特性。

局部二值模式（LBP）是圍眼識別中最廣泛使用的特征之一。Park等人在2009年的開創性工作中使用LBP取得了很好的結果，此后多項研究都采用了這一方法或其變種。例如，Juefei-Xu等人在2010年提出了一種穩健的局部二值模式，在FRGC數據庫上取得了突破性的識別率。LBP特征簡單高效，對光照變化具有一定魯棒性，是圍眼識別的首選特征之一。

另一常用特征是方向梯度直方圖（HOG），它通過計算圖像梯度方向的分布來描述局部外觀和形狀。Mahalingam和Ricanek在2014年的研究中，將HOG應用于性別轉換前后的圍眼識別，顯示了這類特征的穩定性。

在局部特征方面，尺度不變特征變換（SIFT）關鍵點是常用方法。SIFT能夠檢測圖像中的關鍵點并描述其局部特性，對尺度、旋轉和光照變化具有很強的魯棒性。Karahan等人在2014年的研究中，比較了SIFT和SURF在圍眼識別中的表現，發現在準確率方面各有千秋，但SIFT特征通常更為穩定。

除了這些主流方法，還有許多創新性特征被提出。例如，Bharadwaj等人在2010年評估了GIST特征在圍眼識別中的表現，該特征基于五個與場景描述相關的感知維度（自然度、開放度、粗糙度、擴展性和堅固度）。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數據庫上取得了當時最好的圍眼識別性能。

深度學習方法也開始在圍眼識別中嶄露頭角。Nie等人在2014年提出了一種基于無監督卷積RBM的特征學習方法，在UBIPr數據庫上取得了優異的結果。與傳統手工設計特征不同，深度學習方法能夠自動從數據中學習有效特征，適應性更強。

針對不同光譜條件下的圍眼識別，研究者也提出了專門的解決方案。Uzair等人在2015年的研究中，評估了可見光、近紅外和高光譜圖像中的圍眼識別性能，顯示在跨光譜匹配場景中，特定的特征提取和匹配策略能夠顯著提升性能。

特征提取后，圍眼識別通常采用距離度量或分類器進行身份匹配。常用的距離度量包括歐氏距離、余弦相似度和卡方距離等，而分類器則包括支持向量機、神經網絡等。不同的特征往往適合不同的匹配方法，研究者通常需要通過實驗確定最佳組合。

應用與挑戰

隨著安全需求的日益增長，圍眼生物識別技術正在各種場景中嶄露頭角。在監控與安全領域，圍眼識別解決了傳統識別方法難以應對的遠距離識別難題。2012年，Tan和Kumar進行的研究顯示，當被識別對象距離攝像機較遠時，虹膜圖像變得很小，難以提取足夠的特征，而圍眼區域仍能保持識別所需的細節。在這種情況下，圍眼識別的準確率比虹膜識別高出15%以上。

Jillela等人在2013年的FOCS數據庫實驗中，專門針對遠距離和行走狀態下的人員識別進行測試。這個數據庫包含人們通過走廊或中庭時被捕獲的視頻，模擬了真實的監控環境。研究結果表明，即使在這種動態且不受控的環境中，圍眼識別仍能達到近98%的準確率，超過了同條件下的虹膜識別。

在移動設備中，圍眼識別也有著獨特優勢。Santos等人在2014年發布的CSIP數據庫中，收集了使用不同智能手機型號拍攝的圍眼圖像。他們的研究表明，雖然手機拍攝的圖像質量不如專業設備，但圍眼識別的準確率仍能達到75%以上。相比之下，同樣條件下的虹膜識別往往因為手機攝像頭分辨率限制，準確率大幅下降。

值得一提的是，移動設備上的圍眼識別還面臨一個特殊挑戰：不同手機型號的攝像頭參數差異很大。Santos等人的研究顯示，當訓練數據和測試數據來自不同型號手機時，識別準確率會下降20%左右。為解決這個問題，他們提出了一種設備特定的校準方法，成功將準確率提升了15%。

跨設備、跨光譜的圍眼識別是當前研究的熱點。在2014年，Sharma等人提出了一個專門用于跨光譜圍眼研究的IMP數據庫，包含可見光、近紅外和夜視模式下的圖像。他們的實驗顯示，未經處理的情況下，跨光譜匹配的準確率通常低于40%。通過采用特定的特征表示和匹配策略，準確率提升到70%以上。這一進步為夜間安防、低光照條件下的識別提供了可能。

Cao和Schmid在2014年的研究中，專門探討了短距離和長距離采集的圍眼圖像之間的匹配問題。他們發現，當采集距離從1米增加到10米時，識別準確率下降約25%。他們提出的異質域適應方法，將這一下降幅度減少到10%以內，為遠距離監控提供了技術支持。

圍眼識別在表情變化方面展現出比人臉識別更好的魯棒性。2013年，Barroso等人創建了FaceExpressUBI數據庫，專門用于研究面部表情對生物識別的影響。他們的研究表明，即便面部表情發生顯著變化，圍眼區域的識別準確率仍保持在80%以上，而全臉識別準確率下降至70%以下。

Proenca和Briceno在2014年通過彈性圖匹配算法，解決了表情變化導致的圍眼區域形變問題。他們的方法將表情變化下的識別錯誤率從20%降低到5%以下，接近中性表情的識別性能。

年齡變化對圍眼識別的影響也較為復雜。根據Juefei-Xu等人在2011年的研究，短期內（幾個月到一年）的年齡變化對圍眼識別影響不大，但超過5年的長期變化會導致準確率下降15%至20%。他們提出的基于姿態校正和照明歸一化的方法，有效減輕了年齡變化的負面影響。

這些研究表明，雖然圍眼區域比全臉更穩定，但仍會受到各種因素的影響。為了在實際應用中取得良好效果，需要開發更多針對性的算法和預處理方法，以應對各種挑戰性條件。

擴展功能

圍眼區域不僅能用于身份識別，還蘊含著豐富的軟生物特征信息。2010年，Merkow等人首次嘗試僅使用圍眼區域進行性別分類，取得了約76%的準確率。隨后，Lyle等人在2012年的研究中，結合LBP、HOG和DCT特征，使用支持向量機分類器，將性別分類準確率提升至97.3%。這一成就使圍眼區域成為性別識別的可靠信息來源。

值得一提的是，在同一研究中，Lyle等人還嘗試了種族分類，取得了94%的準確率。這表明圍眼區域包含的信息足以區分不同種族背景的個體。這些軟生物特征可以縮小搜索范圍，提高大規模身份識別系統的效率。

在2011年，Dong和Woodard的研究顯示，僅使用眉毛形狀特征就能達到97%的性別分類準確率。他們指出，眉毛作為面部最顯著和穩定的特征之一，在法醫分析中已被使用多年。這項研究為性別分類提供了一個簡單而有效的方法。

將軟生物特征與傳統識別結合也能顯著提升系統性能。Kumari等人在2012年的研究中，結合全局獨立成分分析（ICA）特征進行性別分類，取得了90%的準確率。他們進一步將性別信息與身份識別融合，將整體識別準確率提升了約8%。

圍眼識別在特殊情況下的表現也備受關注。2012年，Jillela和Ross研究了整容手術前后的面部匹配問題。他們使用了一個包含900名接受各種整容手術患者的數據庫，結果顯示商業人臉識別系統在手術前后的匹配準確率僅有35%左右。而基于圍眼區域的識別方法達到了63.9%的準確率，結合人臉和圍眼特征后，準確率進一步提升至87.4%。這一發現對執法部門追蹤通過整容改變外貌的犯罪嫌疑人具有重要意義。

性別轉換對識別系統的影響更為復雜。2014年，Mahalingam等人研究了激素替代療法（HRT）對圍眼識別的影響。他們構建了一個包含超過120萬張從YouTube視頻中提取的面部圖像的數據庫，這些視頻記錄了個體在HRT過程中的外貌變化。研究結果表明，隨著HRT治療的進行，商業人臉識別系統的準確率迅速下降，幾個月后就難以正確識別。相比之下，圍眼區域的識別性能更為穩定，準確率保持在57.79%，遠高于其他面部區域和全臉識別。

圍眼與其他生物特征的融合是提高整體識別性能的有效途徑。2010年，Woodard等人將圍眼特征與虹膜特征融合，將識別準確率從單一模態的80%左右提升至97%以上。2012年，Joshi等人也驗證了類似的性能提升。這表明，即使在虹膜圖像質量較差的情況下，圍眼區域仍可提供有價值的補充信息。

Jillela和Ross在2014年的研究中，探討了使用圍眼特征匹配面部和虹膜圖像的可能性。他們的實驗表明，雖然圍眼-面部和圍眼-虹膜的跨模態匹配準確率低于同模態匹配，但通過適當的特征提取和匹配策略，可以達到實用水平。這為不同生物識別系統之間的互操作性提供了可能。

Alonso-Fernandez等人在2015年的研究中，比較了近紅外和可見光下的圍眼和虹膜識別性能。結果顯示，在近紅外條件下，虹膜識別優于圍眼識別；而在可見光條件下，圍眼識別性能更好。兩種特征的融合在所有條件下都能提供最佳性能，證明了多模態融合的價值。

圍眼生物識別的未來發展方向多種多樣。新型傳感器的引入為該領域帶來了新機遇。2013年和2014年，Raghavendra等人探索了使用光場相機（LFC）采集圍眼圖像的可能性。這種相機能在單次拍攝中捕獲多個不同焦距的圖像，保證至少有一幅圖像聚焦良好。實驗結果顯示，與傳統數碼相機相比，LFC采集的圍眼圖像識別性能提升了約10%。

深度學習方法在圍眼識別中的應用也在迅速發展。Nie等人在2014年提出的無監督卷積RBM特征學習方法，標志著圍眼識別向端到端學習系統的轉變。這些方法無需手動設計特征，能自動從數據中學習最相關的表示，有望進一步提高識別性能。

另一個有趣的研究方向是從圍眼區域重建全臉。2014年，Juefei-Xu等人提出了一種基于維度加權K-SVD的方法，能從圍眼區域幻化出完整的人臉。這一技術在犯罪現場只有部分面部可見的情況下，可幫助警方生成可能的嫌疑人面貌。

總的來說，圍眼生物識別技術正快速發展，從早期的基礎研究進入到實際應用階段。隨著新算法、新技術和新應用的不斷涌現，這一領域將繼續為身份識別和驗證領域做出重要貢獻，特別是在傳統方法面臨挑戰的困難環境中。

參考資料

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.