软件需求规格说明书 (SRS)
一、 引言
1.1 编写目的：本说明书旨在明确“基于生成式AI增强的跨时间域生物特征识别系统”的功能与非功能需求，为后续的设计、开发与测试提供基准。
1.2 项目背景：传统生物特征识别模型在面对跨越多年的面部图像时，受非线性形变影响，精度断崖式下跌。本项目引入AIGC进行老化增强，解决跨龄核验痛点。
二、 总体描述
2.1 目标用户：公安司法人员（跨龄寻亲、长效证件核验）、动物保护科研机构人员。
2.2 运行环境：服务器端需配备NVIDIA GPU（推荐CUDA 11.8+），操作系统支持Linux/Windows。客户端支持主流Web浏览器。
2.3 设计限制：为了保证老化特征生成的逼真度，系统需内嵌调用SDXL服务，因此对显存有较高要求（推荐>=8GB）。
三、 系统功能需求
3.1 智能数据分拣模块：支持深度嵌套目录的解析，通过自研路径溯源算法精准提取ID，避免上传路径异常导致的数据污染。
3.2 AIGC老化增强模块：识别年轻态/基础态照片，调用SDXL引擎并结合Prompt生成对应的高保真衰老图像。
3.3 双轨制模型训练模块：支持人类（多任务学习）与动物（老化增强流水线）数据集的自动判别与增量微调训练。
3.4 跨时间域核验与展示模块：提供A/B照片1:1比对及1:N检索功能，输出固定阈值Accuracy、Rank-1等指标及判定结果。
四、 非功能需求
4.1 性能需求：1:1验证特征提取与比对需在500ms内完成（不含生成耗时）。
4.2 稳定性需求：系统需具备完善的异常捕获机制，处理非图片文件上传时不得崩溃。
软件概要设计说明书 (PDD)
一、 总体架构设计
系统采用前后端分离与模块解耦的微服务化设计理念，自上而下分为四层：
• 表现层 (Web UI)：基于Vue.js开发，提供可视化看板、数据上传分拣交互及核验结果大屏。
• 调度层 (Java/SpringBoot)：作为安全网关，负责鉴权、文件流接收处理及跨语言任务下发。
• 引擎层 (Python/Flask + PyTorch)：挂载SDXL图像生成网络与ResNet核心特征提取网络，执行密集型张量计算。
• 数据层 (MySQL)：负责任务队列状态、性能指标(Acc, Rank-1等)的持久化及特征矩阵的本地化落盘。
二、 接口设计概览
2.1 内部API接口：调度层与引擎层之间通过RESTful API（如 /api/task/start）进行异步通信，传递taskId及超参数。
2.2 外部模型接口：通过HTTP本地/内网调用SDXL API（默认端口7860），实现img2img的高精度老化合成。
三、 运行控制与时序
训练任务下发 -> 物理路径倒推清洗 -> 判断是否触发SDXL老化生成 -> 构建DataLoader -> 模型前向传播与Loss计算(ArcFace) -> 模型评估(输出三大指标) -> 持久化权重并更新任务状态至数据库。
软件详细设计说明书 (DDD)
一、 核心算法模块设计 (CrossTimeBiometricModel)
本模块采用多任务学习（Multi-Task Learning）架构，包含三大子模块：
1.1 特征提取主干 (Backbone)：采用ResNet-50，去除原始全连接层，输出512维的深层语义特征。训练初期采取冻结微调策略（Learning Rate=1e-5）以保护预训练权重。
1.2 度量学习分类头 (Identity Head)：实现自定义的ArcFace层。引入加性角度间隔 (Margin m=0.45) 与特征缩放 (Scale s=32.0)。该层强制将同一ID的年轻态与老年态特征向超球面同一中心压缩，抵御形变。
1.3 年龄估算回归头 (Age Regression Head)：由多层感知机（MLP）构成，采用MSE损失进行生理年龄预测，使主干网络隐式学习时间流逝规律。
二、 数据处理与增强详细设计
2.1 NestedImageFolder 数据加载类：重写 Dataset，使其支持深度嵌套并具备根据文件名(如 AgeDB中的_xx_特征)动态解析年龄的能力。
2.2 视觉干扰防范设计：在训练时引入 RandomResizedCrop(0.8-1.0) 与 ColorJitter；但在推理核验阶段，严格执行等比 Resize 加 CenterCrop，坚决杜绝因人脸被拉伸形变导致的识别率下降。
三、 评估算法实现细节
3.1 指标去水设计：在 evaluate_biometric_metrics 中，直接映射余弦相似度。设定硬性阈值（0.5）切分正负样本以计算 Accuracy，拒绝测试集上的阈值搜索，确保模型泛化真实性。
数据库设计说明书 (DBD)
一、 数据库环境与规范
采用 MySQL 8.0 作为核心关系型数据库。字符集统一使用 utf8mb4 以兼容多语种及特殊符号，存储引擎采用 InnoDB 支持事务与高并发访问。
二、 逻辑结构设计 (E-R 分析)
系统核心实体包括：
• 用户 (User)：系统的操作者，拥有权限标识。
• 任务 (Task)：核心实体，记录一次训练或核验的完整生命周期，包含超参数、执行状态及跑分结果。
三、 核心表结构定义 (t_task)
表名：t_task (大模型计算任务流水表)
字段1：id (VARCHAR 64, 主键) - 唯一任务标识
字段2：task_type (VARCHAR 32) - 任务类型 (training/generalization/human_verify等)
字段3：status (VARCHAR 16) - 状态 (PENDING, RUNNING, COMPLETED, FAILED)
字段4：result_metrics (JSON) - 存储 Accuracy, Rank-1, TAR等指标的JSON快照
字段5：start_time (DATETIME) - 任务启动时间
字段6：end_time (DATETIME) - 任务结束时间
项目开发计划 (PDP)
一、 团队组织架构与分工
• AI 算法组：负责SDXL Prompt工程测试、ArcFace核心模型开发与参数调优。
• 全栈工程组：负责Vue前端数据可视化看板开发、Flask与Java微服务网关的搭建及数据库联调。
• 测试与产品组：负责边缘用例（如嵌套目录）设计、标准数据集跑分及项目文档撰写。
二、 开发阶段划分
第一阶段（需求与技术验证）：确认硬件环境，跑通SDXL API调用链路，清洗基础人脸与动物数据集。
第二阶段（核心算法攻坚）：实现CrossTimeBiometricModel双头架构，跑通ArcFace训练流程，解决初期“灾难性遗忘”问题。
第三阶段（平台化与工程化）：完成前后端接口联调，实现物理分拣模块及任务状态流转机制。
第四阶段（优化与封装）：引入等比Crop防形变策略，多数据集交叉验证跑分，编写全套申报文档。
测试计划 (TP)
一、 测试目的与范围
目的：验证跨时间域生物识别系统的功能完备性、高并发下的鲁棒性以及在极其大跨度时间图像下的识别准确率。
范围：涵盖前端交互测试、文件系统容灾测试、大模型调度性能测试及算法核心指标测试。
二、 测试策略与环境
测试环境：NVIDIA RTX 50系显卡环境，Linux 操作系统。
测试策略：白盒测试结合黑盒测试。针对模型训练，采用按个体隔离（Subject-Exclusive）的严谨验证协议。
三、 算法基准测试指标 (核心标准)
在CACD、AgeDB、FG-NET等标准验证集上，系统必须达到以下验收标准：
- 严格使用固定验证阈值（0.5）下，Accuracy 不低于基准要求。
- 在海量库检索的 Rank-1 首选命中率具备显著优势。
- 在 TAR@FAR=0.1（严格防伪标准）下表现出优异的跨龄通过率。
