Ocular recognition is a form of biometric identification that gained significance after the widespread use of face masks during the COVID-19 pandemic. Modern recognition systems are built upon deep learning methods, such as Convolutional Neural Networks, which require large datasets to be trained. However, acquiring extensive datasets of face and ocular images is hard to obtain due to privacy regulations, raising the question of whether synthetic data can be an alternative or complement. Tests were carried out on recognition models trained on real and synthetic data, with various Python programs. While metrics (e.g. Rank-1 rate) were promising, the overall performance, especially Equal Error Rate, did not meet required safety thresholds for a biometric recognition system.

Igenkänning av ögonregionen är en form av biometrisk identifiering som blev merrelevant efter användningen av ansiktsmasker under COVID-19 pandemin. Mod-erna igenkänningssystem är baserade på deep learning-metoder, såsom Convolu-tional Neural Networks, som kräver stora mängder data för att tränas. Att samlain data med ansikts- och ögonbilder är dock svårt på grund av integritetsregler,vilket väcker frågan om syntetisk data kan fungera som ett alternativ eller kom-plement till detta.Tester genomfördes på igenkänningsmodeller tränade med både riktig och syn-tetisk data, med hjälp av olika Python-program. Även om vissa mätvärden, somRank-1 rate, visade lovande resultat, uppfyllde de övergripande resultaten, särskiltEqual Error Rate, inte de krav som ställs på ett säkert biometriskt system.