摘要
在术前和术后的面部图像中进行身份验证仍然是一项具有挑战性的任务，尤其是在眼睑手术后，局部的眼周变化可能会干扰传统的面部识别系统。本研究提出了一种新的验证框架，该框架采用基于集成方法的自动编码器初始化的连体眼区眼周验证网络，旨在有效应对手术引起的容貌变化。所提出的方法将基于解剖结构的眼周标准化与连体深度度量学习架构相结合，通过无监督自动编码器预训练对模型进行初始化，从而使模型在监督学习之前就能获得针对眼周区域的特征表示。在数据有限的临床环境中，通过受限的眼周数据增强、基于丢弃率的正则化处理、L2权重衰减、基于验证结果的检查点选择、分阶段困难负样本挖掘、基于验证权重的多种子集成学习以及基于自举法的阈值校准等方法，提升了模型的鲁棒性。实验结果显示，在测试集上的识别率为96.08%。这些结果表明，所提出的框架能够在手术后的容貌变化情况下依然保持有效的眼周身份特征识别能力，同时也在数据有限的临床环境中具备良好的稳定性。
