La tarea de reconocimiento de orejas se conoce como predecir si dos imágenes de orejas pertenecen a la misma persona o no. Más recientemente, la mayoría de los métodos de reconocimiento de orejas han comenzado a basarse en características de aprendizaje profundo que pueden lograr una buena precisión, pero requieren más recursos en la fase de entrenamiento y sufren de una complejidad computacional que consume mucho tiempo. Por otro lado, las características de descriptor y el aprendizaje métrico juegan un papel vital y también proporcionan un excelente rendimiento en muchas aplicaciones de visión por computadora, como el reconocimiento facial y la clasificación de imágenes. Por lo tanto, en este artículo, adoptamos las características de descriptor y presentamos un nuevo método de aprendizaje métrico que es eficiente en la coincidencia en tiempo real para el sistema de reconocimiento de orejas. Este método se formula como un problema de optimización restringido por pares. En cada ciclo de entrenamiento, este método selecciona los vecinos similares y disímiles más cercanos de cada muestra para construir las restricciones por pares y luego resuelve el problema de optimización mediante las proyecciones de Bregman iteradas. Se realizan experimentos en la base de datos Annotated Web Ears (AWE), la Universidad Tecnológica de Pomerania Occidental (WPUT), la Universidad de Ciencia y Tecnología de Pekín II (USTB II) y las bases de datos de Análisis Matemático de Imágenes (AMI). Los resultados muestran que el enfoque propuesto puede lograr tasas de reconocimiento prometedoras en el reconocimiento de orejas, y su proceso de entrenamiento es mucho más eficiente que otros métodos de aprendizaje métrico competidores.