身份认证是一种用于确认用户身份的安全保障技术,在日常生活中一般可通过检查对方证件等身份证明物品的方式来实现。近年来,钥匙、证件等传统身份认证方式由于存在易丢失、携带不便等缺点,在一些应用场景中已渐渐被基于生物特征识别的身份认证方式所取代。然而,目前的部分生物特征存在易被伪造或难以与其他生物特征融合等问题。眼动作为一种行为性生物特征能够反映大脑区域和眼部肌肉的活动,不容易被伪造,因而具有较高的安全性。此外,眼动是一种位于面部的生物特征,能够很方便地与人脸等其他面部生物特征结合。因此,本文研究利用眼动来进行身份认证的相关方案和方法,首先通过研究用户在眼动数据采集过程中注意力集中程度的变化,进行了关于优化眼动记录时长的探索;其次,通过对现有眼动特征之间的比较,提出了一种基于眼动运动特征的闭集身份认证方法;最后,通过对眼动空间特征和度量学习在身份认证中应用的分析,提出了一种基于眼动空间分布特征的开集身份认证方法。论文的主要创新点如下所示:1、探索了更合理的眼动记录时长。针对现有基于眼动的身份认证方法中所需眼动记录时长过长且不统一的问题,首先采用注视点相对于屏幕刺激点的偏离角度来表示用户在眼动数据记录过程中对视觉刺激的注意力集中程度;其次,在只含有固视的眼动数据集上,通过该偏离角度与中央凹视觉对应角度的比较,评价用户是否对视觉刺激材料保持足够的注意力;最后,通过对实验结果的分析确定了一个更合理的眼动记录时长,并在此基础上基于已有数据集构建了眼动记录时长更短的数据集。2、提出了一种基于深度眼动特征的闭集身份认证方法。针对现有方法大多只关注如何将扫视和固视分离后单独处理而忽视注视点内部信息的问题,进一步挖掘可用于眼动认证的潜在注视点间信息,以注视点在空间上的运动距离和方向组成的时间序列作为眼动运动特征;其次,设计了一个深度网络用于特征的提取和分类;最后,在本文构建数据集上的实验结果显示,该方法实现了比其它方法更好的闭集身份认证效果。3、提出了一种基于眼动时空特征的开集身份认证方法。针对闭集认证无法大规模训练以及无法处理测试集身份类别大于训练集的问题,首先引入度量学习以实现开集分类;其次,通过眼动行为分类算法将眼动记录分类为固视和扫视,并将每条眼动记录中的所有扫视映射为一张特征图,将特征图作为身份的表示。最后,设计了一种度量学习网络,用于从特征图中提取空间分布特征,并与眼动运动特征进行特征融合得到眼动时空特征,最终经过多相似性损失进行度量学习并得到认证结果。实验结果显示,提出方法相较于对比方法在开集认证效果上获得提升,验证了所提方法的有效性。