CN111428606B - 一种面向边缘计算的轻量级人脸对比验证方法 - Google Patents

Abstract

本发明公开了一种面向边缘计算的轻量级人脸对比验证方法，包括下述步骤：构建轻量级神经网络模型MobileNetV3‑PiFace，使用ArcFace损失函数和VGGFace2数据集对模型进行训练；从采集到的视频流中提取帧图像，对图像进行人脸检测，若有人脸存在，则进行人脸图像预处理；利用训练好的MobileNetV3‑PiFace模型，对预处理后的人脸图像进行特征提取；判断不同人脸特征之间的向量夹角，实现人脸对比验证功能。本发明减少了模型的参数和规模，提高了模型在LFW数据集上的准确率，提高了在边缘计算设备上的运算速度。系统在终端采集人脸图像数据，在终端本地运行神经网络推理数据，这种模式减轻了云端服务器计算和网络传输的压力，降低了整体延时，同时保护了用户隐私。

Description

一种面向边缘计算的轻量级人脸对比验证方法

技术领域

本发明属于深度学习的技术领域，具体涉及一种面向边缘计算的轻量级人脸对比验证方法。

背景技术

自从深度学习技术出现以来，传统的图像处理算法效果逐渐被基于深度学习的图像处理算法超越，深度神经网络使许多计算机视觉任务效果大幅提升，成为计算机视觉领域广泛使用的研究方法。在人脸识别任务上，相关的深度学习算法发展迅速，取得了突出的成果。

为了追求更高的准确率，神经网络模型被不断加深，规模越来越大，结构越来越复杂，运行神经网络需要强大的算力支持。在实际应用中，当前通行做法是采用客户端和服务器的设计模式，将深度学习模型的训练和推理过程部署在云端计算中心，客户端采集数据发送至云端，云端计算中心运行人工智能算法，将结果返回至客户端。随着需求的扩大和客户端的增加，数据量也随之增加，若这些数据都交由云端计算中心处理，大量的数据将会使服务器面临网络传输压力和算力瓶颈，造成端到端的延迟，难以保障实时协同工作，还将增加数据泄露的风险。

现有技术中的人脸对比技术，引入了SE(Squeeze-And-Excite)模块和新的激活函数，修改了MobileNetV2的倒置残差块，利用平台感知的网络架构搜索技术和NetAdapt，在指定的硬件平台上搜索到了优化的模型。MobileNetV3-Small是针对低资源和低开销而设计。但是1、MobileNetV3-Small是通过神经网络架构搜索技术得到的通用轻量级网络架构，它被提出用于普通视觉识别任务，不是专门为人脸对比任务而设计，在人脸对比验证任务上准确率还不够高。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种面向边缘计算的轻量级人脸对比验证方法，在网络边缘设备上部署神经网络模型，采取本地采集数据、离线执行任务的模式，通过部署轻量级卷积神经网络模型，使人脸对比验证过程能够在边缘设备上快速高效地进行。

为了达到上述目的，本发明采用以下技术方案：

一种面向边缘计算的轻量级人脸对比验证方法，包括下述步骤：

构建轻量级人脸对验证模型MobileNetV3-PiFace，所述MobileNetV3-PiFace是改进了MobileNetV3-Small，所述MobileNetV3-PiFace网络结构为：首先对输入图像使用5×5的卷积核进行标准卷积，设置步长为2进行下采样，随后连续地使用Pi-bneck倒置残差块，在最后一个Pi-bneck之后使用1×1卷积特征扩展维度，然后参照MobileFaceNets的做法进行深度卷积，最后使用两层1×1卷积达到全连接层的效果，输出512维嵌入特征；

利用ArcFace损失函数和VGGFace2来训练MobileNetV3-PiFace模型；

从采集到的视频流中提取帧图像，对图像进行人脸检测，若有人脸存在，则进行人脸图像预处理；

将预处理后的人脸图像输入训练好的MobileNetV3-PiFace模型，进行特征提取，得到人脸特征向量；

判断人脸图像之间的特征向量夹角距离，实现人脸对比验证。

作为优选的技术方案，所述人脸图像预处理包括人脸检测、人脸对齐、人脸裁剪和尺寸缩放，具体为：

用MTCNN算法检测图像中的人脸，得到人脸框和多点面部坐标；

根据标准的人脸面部坐标，对检测到的人脸面部坐标进行相似变换，得到齐次变换矩阵M；

把M作为参数，对人脸图像进行仿射变换，得到对齐后的人脸图像；

裁剪出对齐后的人脸图像，将图像尺寸缩放为选定的尺寸。

作为优选的技术方案，所述MobileNetV3-PiFace缩小卷积尺寸的步骤，具体为：

主干网络采用与MoblieNetV3相同的框架，把MoblieNetV3中大量的5×5卷积替换为3×3。

作为优选的技术方案，所述MobileNetV3-PiFace全局深度卷积的步骤，具体为：

对于主干网络输出的7×7特征图，参考MobileFaceNets的做法，用全局深度卷积替换平均池化。

作为优选的技术方案，所述MobileNetV3-PiFace在扩展维度数量低时使用SE块，具体为：

设一个倒置残差块的输入特征为H×W×C，扩展维度为E，输出特征为H1×W1×C1，深度分离卷积核的尺寸为3×3；其中H、W、C分别为输入特征的高、宽、通道数，H1、W1、C1分别为输出特征的高、宽、通道数，不考虑偏置项和激活函数，引入SE块时，倒置残差块的计算量为：

Ψ＝1·1·C·E·H·W+3·3·E·H1·W1+1·1·E·C1·H1·W1

加入SE块时，SE块的计算量为：

ψ＝H1·W1·E+E·E·E+E·E·E+H1·W1·E

设输入特征尺寸与输出特征尺寸相同，加入SE块后，与未加入SE块相比：

由于扩展维度数E通常是特征通道数C的几倍以上，在输入特征尺寸与输出特征尺寸相同，或两者都很小的情况下，加入SE块将大幅增加计算量，故只在网络模块中扩展维度较低时使用SE块。

作为优选的技术方案，所述MobileNetV3-PiFace还包括非线性函数激活，具体为：

在扩展维度时不使用非线性激活函数，在压缩维度时使用非线性激活函数。

作为优选的技术方案，所述MobileNetV3-PiFace还包括随机失活dropout的使用具体为：

在网络的卷积层使用批标准化，在最后全连接层使用0.8的dropout。

作为优选的技术方案，所述Pi-bneck倒置残差块具体为：

对输入特征进行逐点卷积，将特征扩展到高维，为了保留更多有效信息，这一层操作不使用非线性激活函数；随后对高维特征进行深度卷积，卷积核尺寸固定为3×3，这一层使用非线性激活函数抑制无效信息；下一步可选地对特征使用SE模块，当维度较高时不使用SE模块，当维度较低时使用SE模块；最后使用逐点卷积将高维特征映射到低维，同时使用非线性激活函数抑制无效信息；

在网络的前4个Pi-bneck中使用ReLU6作为非线性激活函数，其余Pi-bneck中使用h-swish作为非线性激活函数。h-swish的公式如下：

h-swish[x]＝x{ReLU6(x+3)}/6。

作为优选的技术方案，使用ArcFace损失函数来训练神经网络，设置网络输出的特征嵌入维度为512，规模因子s为64，角度间距惩罚项m为0.4。

作为优选的技术方案，所述对人脸图像进行对比验证具体为：

系统启动时首先进行初始化，包括加载UI界面、检查摄像头、加载神经网络，然后启动三条线程：

第一条线程循环读取人脸摄像头的视频流，获取视频帧，使用Dlib人脸检测器检测帧图像是否包含人脸，若没有检测到人脸，则继续读取下一个视频帧。若检测到人脸，则进行人脸预处理：裁剪出人脸区域的图像、进行人脸对齐矫正、图像尺寸缩放。最后把数据加入待对比队列，若队列已满，则抛弃当前数据。

第二条线程循环读取证件摄像头的视频流，流程和第一条线程一样，其中多了一步OCR文字识别流程，即从证件提取证件号、持证人等信息；

第三条线程是人脸对比线程，它从待对比队列中提取人脸图像数据和证件照图像数据，使用训练好的MobileNetV3-PiFace模型获取特征向量，通过计算特征之间的夹角，判断是否为同一人，把结果显示到主界面。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明在网络边缘设备上部署神经网络模型，采取本地采集数据、离线执行任务的模式。通过部署轻量级卷积神经网络模型，使人脸对比验证过程能够在边缘设备上快速高效地进行。这种模式极大地减轻了网络带宽和云计算中心的功耗和压力。省去了网络传输和云计算中心处理的时耗，减少系统延时，增强服务响应能力。直接在本地处理，减少了网络数据泄露的风险，保护用户数据安全和隐私。

2、准确率更高，推理速度更快。本发明提出的MobileNetV3-PiFace比现有模型每秒浮点计算次数和模型参数个数都减少了，运算速度和准确率均有提高。在树莓派4上面的运行速度为143ms，在LFW测试集上的准确率为99.07％。

附图说明

图1是本发明MobileNetV3的倒置残差块。

图2是本发明人脸验证的系统架构图。

图3是本发明人脸预处理流程图。

图4是本发明网络全局深度卷积解释。

图5是本发明MobileNetV3-PiFace的倒置残差块(Pi-bneck)。

图6是本发明MobileNetV3-PiFace网络结构图。

图7是本发明人脸验证流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明在网络边缘设备上部署神经网络模型，采取本地采集数据、离线执行任务的模式。通过部署轻量级卷积神经网络模型，使人脸对比验证过程能够在边缘设备上快速高效地进行。这种模式极大地减轻了网络带宽和云计算中心的功耗和压力。省去了网络传输和云计算中心处理的时耗，减少系统延时，增强服务响应能力。直接在本地处理，减少了网络数据泄露的风险，保护用户数据安全和隐私。

边缘计算设备通常计算能力较低，难以高效运行大规模神经网络，使深度学习技术的应用场景受到了限制。为了适应边缘计算设备的性能，网络模型的大小和计算开销必须做出相应的优化，对神经网络的规模大小和运行速度提出了要求。

本发明设计了一套人证对比验证系统，改进了通用的轻量级神经网络模型——MobileNetV3，使其适用于人脸对比验证任务。

MobileNetV3-Small的结构如表1所示。其中SE表示在该层中是否使用Squeeze-And-Excite模块，NL表示非线性激活函数的类型，HS表示h-swish，RE表示ReLU。bneck是MobileNetV3的倒置残差块，其结构如图1所示。

表1

本发明改进了MobileNetV3-Small网络结构，使用MobileNetV3-PiFace、ArcFace损失函数和VGGFace2数据集训练人脸对比验证模型，最终在LFW数据集上得到99.07％的准确率，在树莓派4B上的推理速度为148ms。

本发明一种面向边缘计算的轻量级人脸对比验证方法，首先从摄像头采集到的视频流中提取帧图像，对图像进行人脸检测，若有人脸存在，则进行人脸图像预处理，将预处理后的图像输入神经网络模型，进行特征提取。最后对人脸特征进行余弦夹角计算，判断特征相似度，得到验证结果。人脸对比验证的系统结构如图2所示。本发的具体步骤为：

S1、人脸图像预处理，包括人脸检测，人脸对齐，人脸裁剪，尺寸缩放，预处理的过程如图3所示，具体为：

S11、用MTCNN算法检测图像中的人脸，得到人脸框和5点面部坐标；

S12、根据标准的人脸面部坐标，对检测到的人脸面部坐标进行相似变换，得到齐次变换矩阵M；

S13、把M作为参数，对人脸图像进行仿射变换，得到对齐后的人脸图像。

S14、裁剪出对齐后的人脸，将图像尺寸缩放为112×112。

S2、构建轻量级人脸对验证模型MobileNetV3-PiFace；

S21、首层卷积扩大，具体为：

和大多数轻量人脸识别模型一样，本实施例把模型输入尺寸设置为112×112×3。对于一张输入图像，观察到人脸主要信息集中在图像中间部分，边缘部分是一些次要或无用信息。故首先对输入图像进行5×5标准卷积，使用步长2进行下采样。这种设计使得第一层卷积网络具有相对较大的有效感受野，输出特征包含更整体的面部信息，同时抑制图像边缘的无效信息，有利于后续人脸特征提取。

S22、缩小卷积尺寸，具体为：

主干网络采用与MoblieNetV3相同的框架，把MoblieNetV3中大量的5×5卷积替换为3×3，因为3×3卷积较5×5卷积而言，计算开销更小，有利于提高网络推理速度。另外，小卷积能捕获更细粒度的面部特征，更适合人脸对比验证的任务。

S23、全局深度卷积，具体为：

根据感受野理论，在输出特征图中，各单元的权值对应于输入图像不同部分的感受野。如图4所示，感受野1和感受野2分别对应于7×7特征图的边角和中间单元，特征图中间单元的重要性比边角单元的重要性更大，权值更高。若对特征图进行平均池化，则有损特征图里权重的分布性，不利于提取特征和分类。对于主干网络输出的7×7特征图，本实施例参考MobileFaceNets的做法，用全局深度卷积替换平均池化。

S24、只在扩展维度数量低较时使用SE块；

经过计算和实验发现，SE块大幅增加了计算量，但对准确率只有轻微提升。假设一个倒置残差块的输入特征为H×W×C，扩展维度为E，输出特征为H1×W1×C1，深度分离卷积核大小为3×3。其中H、W、C分别为输入特征的高、宽、通道数，H1、W1、C1分别为输出特征的高、宽、通道数。不考虑偏置项和激活函数，引入SE块时，倒置残差块的计算量为：

Ψ＝1·1·C·E·H·W+3·3·E·H1·W1+1·1·E·C1·H1·W1

加入SE块时，SE块的计算量为：

ψ＝H1·W1·E+E·E·E+E·E·E+H1·W1·E

设输入特征尺寸与输出特征尺寸相同，加入SE块后，与未加入SE块相比：

由于扩展维度数E通常是特征通道数C的几倍以上，在输入特征尺寸与输出特征尺寸相同，或两者都很小的情况下，加入SE块将大幅增加计算量，故只在网络模块中扩展维度较低时使用SE块。

S25、非线性激活函数，具体为：

在MobileNetV3的倒置残差块中，使用点卷积扩展维度时，加入了非线性激活函数，将特征投影到低维时没有使用非线性激活函数，这种做法与MobileNetV2相反。我们认为将低维特征扩展到高维时，使用非线性激活函数会造成信息丢失，使嵌入在低维空间的兴趣流形(manifold of interest)无法完整暴露在高维空间。为了更好地保护有效信息、抑制无效信息，我们在扩展维度时不使用非线性激活函数，在压缩维度时使用非线性激活函数。

S26、dropout的使用，具体为：

随机失活(dropout)最初提出用于缓解大型网络的过拟合问题，在训练过程中，在该层网络随机选择一定比例的神经元更新权值，其余神经元不参与更新。在网络规模或训练数据较小的时候一般不使用dropout。后来批标准化(Batch Normalization)被提出，对神经网络每一层的输入都进行正则化，使输入数据满足均值为0，方差为1的标准正态分布。批标准化大大提升了训练速度，可以使用较大的学习率，由于起到正则化的效果，从一定程度上替代了dropout的使用。我们在网络的卷积层使用批标准化，在最后全连接层使用0.8的dropout。

S27、MobileNetV3-PiFace的倒置残差块，具体为：

改进后的MobileNetV3-PiFace的倒置残差块(Pi-bneck)如图5所示。首先对输入特征进行逐点卷积(Pointwise Convolution)，将特征扩展到高维，为了保留更多有效信息，这一层操作不使用非线性激活函数。随后对高维特征进行深度卷积(DepthwiseConvolution)，卷积核尺寸固定为3×3，这一层使用非线性激活函数抑制无效信息。下一步可选地对特征使用SE模块，根据2前述的分析，当维度较高时不使用SE模块，当维度较低时使用SE模块。最后使用逐点卷积(Pointwise Convolution)将高维特征映射到低维，同时使用非线性激活函数抑制无效信息。

在网络的前4个Pi-bneck中使用ReLU6作为非线性激活函数，其余Pi-bneck中使用h-swish作为非线性激活函数。h-swish的公式如下：

h-swish[x]＝x{ReLU6(x+3)}/6。

根据步骤S21-S27的处理，改进后的MobileNetV3-PiFace的网络结构图如图6所示，MobileNetV3-PiFace网络结构表如表2所示。首先对输入图像使用5×5的卷积核进行标准卷积，设置步长为2进行下采样，随后连续地使用Pi-bneck倒置残差块，在最后一个Pi-bneck之后使用1×1卷积特征扩展维度，然后参照MobileFaceNets的做法进行深度卷积。最后使用两层1×1卷积达到全连接层的效果，输出512维嵌入特征。

表2

S3、利用损失函数来训练MobileNetV3-PiFace模型，

本实施例使用ArcFace损失函数来训练神经网络，我们设置网络输出的特征嵌入(feature embedding)维度为512，规模因子s为64，角度间距惩罚项m为0.4。

S4、利用训练好的MobileNetV3-PiFace对人脸图像进行对比验证。

人脸对比验证流程如图7所示，系统启动时首先进行初始化，包括加载UI界面、检查摄像头、加载神经网络，然后启动三条线程：

第一条线程循环读取人脸摄像头的视频流，获取视频帧，使用Dlib人脸检测器检测帧图像是否包含人脸，若没有检测到人脸，则继续读取下一个视频帧。若检测到人脸，则进行人脸预处理：裁剪出人脸区域的图像、进行人脸对齐矫正、图像尺寸缩放。最后把数据加入待对比队列，若队列已满，则抛弃当前数据。

第二条视频循环读取证件摄像头的视频流，流程和第一条线程一样，其中多了一步OCR文字识别流程，即从证件提取证件号、持证人等信息；

第三条视频是人脸对比线程，它从待对比队列中提取人脸图像数据和证件照图像数据，使用训练好的MobileNetV3模型获取特征向量。通过计算特征之间的夹角，判断是否为同一人，把结果显示到主界面。

与现有MobileNetV3-Small结构相比，本发明缩小了网络输入尺寸，减少了大量的运算。在首层使用较大的卷积核进行下采样，对人脸特征进行概括性的提取，有利于后续提取细粒度人脸特征。在倒置残差块中，将非线性激活函数改到降维时使用，有利于保护有效信息，抑制无效信息。分析了SE模块的计算量，在扩展维度较少时使用SE模块。

本发明基于MobileNetV3-Small网络结构，分析了SE块的计算开销、倒置残差结构的非线性激活层的作用以及人脸对比验证任务的特点，对MobileNetV3-Small作出改进，使其在人脸对比验证任务上表现更好，速度更快，能够适用于边缘计算设备。改进的模型命名为MobileNetV3-PiFace，在LFW测试集上达到99.07％的准确率，在树莓派4B上的推理速度为143ms。结合实际应用，可以满足生产环境的需求。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种面向边缘计算的轻量级人脸对比验证方法，其特征在于，包括下述步骤：

构建轻量级人脸对验证模型MobileNetV3-PiFace，所述MobileNetV3-PiFace是改进了MobileNetV3-Small，所述MobileNetV3-PiFace网络结构为：首先对输入图像使用5×5的卷积核进行标准卷积，设置步长为2进行下采样，随后连续地使用Pi-bneck倒置残差块，在最后一个Pi-bneck之后使用1×1卷积特征扩展维度，然后参照MobileFaceNets的做法进行深度卷积，最后使用两层1×1卷积达到全连接层的效果，输出512维嵌入特征；所述MobileNetV3-PiFace在扩展维度数量低时使用SE块，具体为：

设一个倒置残差块的输入特征为H×W×C，扩展维度为E，输出特征为H1×W1×C1，深度分离卷积核的尺寸为3×3；其中H、W、C分别为输入特征的高、宽、通道数，H1、W1、C1分别为输出特征的高、宽、通道数，不考虑偏置项和激活函数，引入SE块时，倒置残差块的计算量为：

Ψ＝1·1·C·E·H·W+3·3·E·H1·W1+1·1·E·C1·H1·W1

加入SE块时，SE块的计算量为：

ψ＝H1·W1·E+E·E·E+E·E·E+H1·W1·E

设输入特征尺寸与输出特征尺寸相同，加入SE块后，与未加入SE块相比：

由于扩展维度数E是特征通道数C的几倍以上，在输入特征尺寸与输出特征尺寸相同，或两者都为小尺寸的情况下，加入SE块将增加计算量，故只在网络模块中扩展维度低时使用SE块

利用ArcFace损失函数和VGGFace2来训练MobileNetV3-PiFace模型；

从采集到的视频流中提取帧图像，对图像进行人脸检测，若有人脸存在，则进行人脸图像预处理；

将预处理后的人脸图像输入训练好的MobileNetV3-PiFace模型，进行特征提取，得到人脸特征向量；

判断人脸图像之间的特征向量夹角距离，实现人脸对比验证。

2.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，所述人脸图像预处理包括人脸检测、人脸对齐、人脸裁剪和尺寸缩放，具体为：

用MTCNN算法检测图像中的人脸，得到人脸框和多点面部坐标；

根据标准的人脸面部坐标，对检测到的人脸面部坐标进行相似变换，得到齐次变换矩阵M；

把M作为参数，对人脸图像进行仿射变换，得到对齐后的人脸图像；

裁剪出对齐后的人脸图像，将图像尺寸缩放为选定的尺寸。

3.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，所述MobileNetV3-PiFace缩小卷积尺寸的步骤，具体为：

主干网络采用与MoblieNetV3相同的框架，把MoblieNetV3中大量的5×5卷积替换为3×3。

4.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，所述MobileNetV3-PiFace全局深度卷积的步骤，具体为：

对于主干网络输出的7×7特征图，参考MobileFaceNets的做法，用全局深度卷积替换平均池化。

5.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，所述MobileNetV3-PiFace还包括非线性函数激活，具体为：

在扩展维度时不使用非线性激活函数，在压缩维度时使用非线性激活函数。

6.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，所述MobileNetV3-PiFace还包括随机失活dropout的使用具体为：

在网络的卷积层使用批标准化，在最后全连接层使用0.8的dropout。

7.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，所述Pi-bneck倒置残差块具体为：

对输入特征进行逐点卷积，将特征扩展到高维，为了保留有效信息，这一层操作不使用非线性激活函数；随后对高维特征进行深度卷积，卷积核尺寸固定为3×3，这一层使用非线性激活函数抑制无效信息；下一步可选地对特征使用SE模块，当高维度时不使用SE模块，当低维度时使用SE模块；最后使用逐点卷积将高维特征映射到低维，同时使用非线性激活函数抑制无效信息；

在网络的前4个Pi-bneck中使用ReLU6作为非线性激活函数，其余Pi-bneck中使用h-swish作为非线性激活函数，h-swish的公式如下：

h-swish[x]＝x{ReLU6(x+3)}/6。

8.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，使用ArcFace损失函数来训练神经网络，设置网络输出的特征嵌入维度为512，规模因子s为64，角度间距惩罚项m为0.4。

9.根据权利要求1所述的面向边缘计算的轻量级人脸对比验证方法，其特征在于，对人脸图像进行对比验证具体为：

系统启动时首先进行初始化，包括加载UI界面、检查摄像头、加载神经网络，然后启动三条线程：

第一条线程循环读取人脸摄像头的视频流，获取视频帧，使用Dlib人脸检测器检测帧图像是否包含人脸，若没有检测到人脸，则继续读取下一个视频帧；若检测到人脸，则进行人脸预处理：裁剪出人脸区域的图像、进行人脸对齐矫正、图像尺寸缩放；最后把数据加入待对比队列，若队列已满，则抛弃当前数据；

第二条线程循环读取证件摄像头的视频流，流程和第一条线程一样，其中多了一步OCR文字识别流程，即从证件提取证件号、持证人信息；

第三条线程是人脸对比线程，它从待对比队列中提取人脸图像数据和证件照图像数据，使用训练好的MobileNetV3-PiFace模型获取特征向量；通过计算特征之间的夹角，判断是否为同一人，把结果显示到主界面。

Images