In jüngster Zeit haben Ophthalmobiotische Verfahren in ungehinderten Umgebungen unter Verwendung von Bildern im sichtbaren Wellenlängenbereich zunehmend die Aufmerksamkeit der Forscher auf sich gezogen, insbesondere wenn diese mit mobilen Geräten aufgenommen wurden. Die Periokulare Erkennung hat sich als Alternative erwiesen, wenn die Irismerkmale aufgrund von Verdeckungen oder geringer Bildauflösung nicht verfügbar sind. Allerdings weist das periokulare Merkmal nicht die hohe Einzigartigkeit auf, die in der Irismerkmalsstruktur zu finden ist. Daher ist die Verwendung von Datensätzen mit einer großen Anzahl von Probanden unerlässlich, um die Fähigkeit biometrischer Systeme zur Extraktion differenzierender Informationen aus dem periokularen Bereich zu bewerten. Darüber hinaus ist es von entscheidender Bedeutung, Datensätze zu verwenden, die Bilder derselben Probanden aus verschiedenen Sitzungen enthalten, um die innerhalb-Klasse-Variabilität zu berücksichtigen, die durch Beleuchtungsbedingungen und Merkmale im periokularen Bereich verursacht wird. Da die in der Literatur verfügbaren Datensätze diese Faktoren nicht alle gleichzeitig aufweisen, präsentieren wir in dieser Arbeit einen neuen periokularen Datensatz mit Daten von 1.122 Probanden, die in drei Sitzungen mit 196 verschiedenen mobilen Geräten erfasst wurden. Die Bilder wurden unter ungehinderten Bedingungen aufgenommen, wobei den Teilnehmern lediglich die Anweisung erteilt wurde, ihre Augen in einen definierten Interessensbereich zu positionieren. Zudem führen wir eine umfassende Benchmark mit mehreren Architekturen von Convolutional Neural Networks (CNN) durch, einschließlich Modelle, die in aktuellen Ansätzen auf Basis von Multi-Class-Klassifikation, Multitask-Learning, Pairwise-Filter-Netzwerken und Siamese-Netzwerken eingesetzt wurden. Die Ergebnisse, die im geschlossenen- und offenen Welt-Protokoll für die Aufgaben der Identifizierung und Verifikation erzielt wurden, zeigen, dass dieses Forschungsgebiet weiterer Entwicklung und Forschung bedarf.