CASK-Net融合多分支方法：跨年龄素描人脸识别的创新解决方案

针对跨年龄人脸识别(Cross-Age FR)与素描人脸识别(Sketch FR)的协同难题，研究人员提出基于多分支特征融合的CASK-Net架构，集成HOG、SIFT、CNN、LBP、ORB和Inception ResNetV22等特征提取器，在自建CASK数据集上实现95.52% AUC-ROC性能，突破传统模态转换限制，为法医调查提供高效年龄不变特征识别方案。

　　

在法医刑侦领域，通过目击者描述生成的素描画像与嫌疑人实际照片间的识别长期面临双重挑战：一是素描与照片的模态差异，二是嫌疑人年龄变化导致的面部特征改变。现有研究多单独处理素描识别或跨年龄识别，但现实案件中常需通过历史素描画像识别当前年龄段的嫌疑人，这种协同问题尚未被系统研究。传统方法依赖复杂的素描-照片模态转换，不仅计算效率低，更无法解决年龄变化带来的特征漂移。针对这一空白，研究人员创新性提出CASK-Net融合架构，直接从未经转换的素描图像中提取年龄不变特征，为跨时间维度的身份识别提供新范式。

关键技术包括：1）构建包含6种特征提取分支的融合网络（HOG、SIFT-BoVW、CNN、LBP、ORB-BoVW和Inception ResNetV2）；2）创建首个跨年龄素描数据集(CASK Dataset)；3）采用端到端训练策略，避免传统模态转换步骤。实验基于自建数据集，包含不同年龄段的素描-照片配对样本。

Related works
现有研究多聚焦单一领域：跨年龄FR通过深度度量学习解决年龄变化问题，而Sketch FR依赖GAN进行模态转换。但两者协同时，转换累积误差会导致性能骤降。

Proposed approach
CASK-Net通过并行分支捕获多尺度特征：HOG和LBP提取局部纹理，SIFT-BoVW和ORB-BoVW编码关键点，CNN和Inception ResNetV2学习高层语义特征。特征融合层采用加权拼接策略，显著提升跨年龄场景下的特征判别力。

Cross age sketch dataset
新建CASK数据集包含5,000组跨年龄素描-照片对，年龄跨度15-60岁，覆盖亚洲、高加索人种。每组包含青年期素描和中年期照片，模拟真实刑侦场景。

Implementation details
SIFT-BoVW采用(5,5)高斯核和256视觉词簇；HOG设置8×8像素/单元；LBP选用8采样点统一模式；ORB-BoVW使用128直方图区间；CNN分支含5个卷积层；Inception ResNetV2进行迁移学习微调。

Result analysis
在CASK数据集上，融合模型AUC-ROC达95.52%，训练准确率93.37%，验证准确率60.89%（远超单分支最佳性能52.1%）。消融实验显示多分支协同使跨年龄识别误差降低38.7%。

Conclusion
研究首次实现跨年龄素描人脸识别的端到端解决方案，其创新性体现在：1）规避模态转换带来的信息损失；2）通过特征融合实现年龄不变性；3）建立首个跨年龄素描基准数据集。该成果为法医调查提供新工具，当嫌疑人外貌随时间变化时，仍能通过历史素描进行可靠识别。

Challenges and future recommendations
未来可扩展至3D人脸识别、遮挡场景等更复杂条件。当前局限在于数据集中人种分布不均衡，后续需增加非洲、拉丁裔样本以提高普适性。