基于人脸识别的用餐方法、装置及计算机可读存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种智能化的人脸识别用餐的方法、装置及计算机可读存储介质。

背景技术：

目前餐厅用餐大多数都是以人工服务为主，包括提供取号、排队入店、人工点餐、人工收银等步骤，虽然这种传统的人工服务效率已经比之前有很大提高，但在用餐高峰期仍存在点餐、结账等节点排队时间过长，造成用餐拥挤的现象。且餐厅工作人员一般根据平时经验提前准备餐食，经常出现餐食不足或餐食过剩现象，所以存在食材合理购进和餐食准备精确等问题，因此传统的人工服务用餐无法解决这些问题。

技术实现要素：

本发明提供一种基于人脸识别的用餐方法、装置及计算机可读存储介质，其主要目的在于当用户在输入视频或图片数据时，判断所述视频或图片数据中是否包括人脸。

为实现上述目的，本发明提供的一种基于人脸识别的用餐方法，包括：

步骤A：数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中，并提示所述用户输入用餐方案；

步骤B：当所述数据接收层在第一预设时间内未接收到所述用餐方案时，所述数据库内的注册集销毁所述注册信息，当所述数据接收层在所述第一预设时间内接收到所述用餐方案时，将所述用餐方案输入至用餐方案显示层；

步骤C：所述用餐方案显示层提示餐饮工作人员在第二预设时间内接收所述用餐方案，当所述餐饮工作人员在所述第二预设时间内接收所述用餐方案时，所述用餐方案显示层提示用户预约用餐成功，所述数据库将所述注册集输入至模型训练层，当所述餐饮工作人员在所述第二预设时间内未接收所述用餐方案，所述用餐方案显示层提示用户预约用餐失败；

步骤D：所述模型训练层接收所述注册集，并将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练；

步骤E：人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，当所述人脸相似度集低于预设人脸相似度阈值时，输出用户用餐失败的信息，当所述人脸相似度集高于预设人脸相似度阈值时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，完成智能用餐。

可选地，所述数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中，包括：

数据接收层接收包括用户昵称、手机号码、地址和人脸图片的用户信息；

将所述人脸图片标注为注册信息，将所述用户昵称、手机号码、地址标注为联系信息，将所述注册信息输入至数据库内的注册集，将所述联系信息输入至数据库内的联系集中。

可选地，所述将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练，包括：

所述卷积神经网络接收所述注册集，将所述注册集输入至第一层卷积层，所述第一层卷积层对所述注册集进行卷积操作后得到第一卷积数据集，并将所述第一卷积数据集输入至第一层池化层；

所述第一层池化层对所述卷积数据集进行最大化池化操作后得到第一降维数据集，并将所述第一降维数据集输入至第二层卷积层，所述第二层卷积层对所述第一降维数据集进行卷积操作后，得到第二卷积数据集，并将所述第二卷积数据集输入至第二层池化层进行所述最大化池化操作得到第二降维数据集，并将所述第二降维数据集最终输入至全连接层；

所述全连接层结合激活函数对所述第二降维数据集进行计算，得到训练值集合，并将所述训练值集合和所述联系集输入至所述模型训练层的损失函数中，利用所述损失函数计算出损失值，直至所述损失值小于预设训练阈值时，所述卷积神经网络退出训练。

可选地，所述卷积操作为：

其中ω′为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵；

所述激活函数为：

其中y为所述训练值集合，e为无限不循环小数。

可选地，人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，包括：

人脸实时捕捉层接收用户五官无遮挡的人脸数据，当所述人脸实时捕捉层接收五官有遮挡的人脸数据时，提示用户接收失败需重新接收，直至接收成功后将所述用户五官无遮挡的人脸数据输入至所述模型训练层；

所述模型训练层将所述用户五官无遮挡的人脸数据输入至所述卷积神经网络中计算得到训练值，将所述训练值与所述注册集内注册信息的训练值集进行欧式距离运算，得到人脸相似度集。

此外，为实现上述目的，本发明还提供一种基于人脸识别的用餐装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的基于人脸识别的用餐程序，所述基于人脸识别的用餐程序被所述处理器执行时实现如下步骤：

步骤A：数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中，并提示所述用户输入用餐方案；

步骤B：当所述数据接收层在第一预设时间内未接收到所述用餐方案时，所述数据库内的注册集销毁所述注册信息，当所述数据接收层在所述第一预设时间内接收到所述用餐方案时，将所述用餐方案输入至用餐方案显示层；

步骤C：所述用餐方案显示层提示餐饮工作人员在第二预设时间内接收所述用餐方案，当所述餐饮工作人员在所述第二预设时间内接收所述用餐方案时，所述用餐方案显示层提示用户预约用餐成功，所述数据库将所述注册集输入至模型训练层，当所述餐饮工作人员在所述第二预设时间内未接收所述用餐方案，所述用餐方案显示层提示用户预约用餐失败；

步骤D：所述模型训练层接收所述注册集，并将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练；

步骤E：人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，当所述人脸相似度集低于预设人脸相似度阈值时，输出用户用餐失败的信息，当所述人脸相似度集高于预设人脸相似度阈值时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，完成智能用餐。

可选地，所述数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中，包括：

数据接收层接收包括用户昵称、手机号码、地址和人脸图片的用户信息；

将所述人脸图片标注为注册信息，将所述用户昵称、手机号码、地址标注为联系信息，将所述注册信息输入至数据库内的注册集，将所述联系信息输入至数据库内的联系集中。

可选地，所述将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练，包括：

所述卷积神经网络接收所述注册集，将所述注册集输入至第一层卷积层，所述第一层卷积层对所述注册集进行卷积操作后得到第一卷积数据集，并将所述第一卷积数据集输入至第一层池化层；

所述第一层池化层对所述卷积数据集进行最大化池化操作后得到第一降维数据集，并将所述第一降维数据集输入至第二层卷积层，所述第二层卷积层对所述第一降维数据集进行卷积操作后，得到第二卷积数据集，并将所述第二卷积数据集输入至第二层池化层进行所述最大化池化操作得到第二降维数据集，并将所述第二降维数据集最终输入至全连接层；

所述全连接层结合激活函数对所述第二降维数据集进行计算，得到训练值集合，并将所述训练值集合和所述联系集输入至所述模型训练层的损失函数中，利用所述损失函数计算出损失值，直至所述损失值小于预设训练阈值时，所述卷积神经网络退出训练。

可选地，所述卷积操作为：

其中ω′为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵；

所述激活函数为：

其中y为所述训练值集合，e为无限不循环小数。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于人脸识别的用餐程序，所述基于人脸识别的用餐程序可被一个或者多个处理器执行，以实现如上所述的基于人脸识别的用餐方法的步骤。

本发明通过卷积神经网络进行人脸认证，提高了认证效率，缩短用餐人员的进入时间，减轻用餐高峰期排队冗长现象，因此本发明提出的基于人脸识别的用餐方法、装置及计算机可读存储介质可以实现高效的智能用餐功能。

附图说明

图1为本发明一实施例提供的基于人脸识别的用餐方法的流程示意图；

图2为本发明一实施例提供的基于人脸识别的用餐装置的内部结构示意图；

图3为本发明一实施例提供的基于人脸识别的用餐装置中基于人脸识别的用餐程序的模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于人脸识别的用餐方法。参照图1所示，为本发明一实施例提供的基于人脸识别的用餐方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，基于人脸识别的用餐方法包括：

S1、数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中。

本发明较佳实施例中，所述数据接收层接收包括用户昵称、手机号码、地址和人脸图片的用户信息，将所述的人脸图片标注为注册信息，将所述的用户昵称、手机号码、地址标注为联系信息，将所述注册信息输入至数据库内的注册集，将所述联系信息输入至数据库内的联系集中。

S2、所述数据接收层提示所述用户第一预设时间内输入用餐方案，并判断在所述第一预设时间内是否接收到用户输入的用餐方案。

本发明较佳实施例中，所述用餐方案包括用户用餐时间、用户用餐的人数及/或用户用餐的餐品种类等。例如，用户A选择的用餐方案为“11:30分用餐、用餐人数为2人、选择油焖大虾和蒸水蛋两种餐品”。

所述第一预设时间包括，例如，一分钟。

当所述数据接收层在所述第一预设时间内未接收到所述用餐方案时，执行S3、所述数据库内的注册集销毁所述注册信息，并返回上述描述的S1。

当所述数据接收层在所述第一预设时间内接收到所述用餐方案时，执行S4、将所述用餐方案输入至用餐方案显示层。

S5、所述用餐方案显示层提示餐饮工作人员在第二预设时间内接收所述用餐方案，并判断在所述第二预设时间内是否接收到用户输入的用餐方案。

所述第二预设时间，例如1分钟。

当所述餐饮工作人员在所述预设时间内未接收所述用餐方案，执行S8、所述用餐方案显示层提示用户预约用餐失败，并返回S3。

当所述餐饮工作人员在所述预设时间内接收所述用餐方案，执行S6、所述用餐方案显示层提示用户预约用餐成功，所述数据库将所述注册集输入至模型训练层，所述模型训练层接收所述注册集，并将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练。

本发明较佳实施中，所述卷积神经网络接收所述注册集，将所述注册集输入至第一层卷积层，所述第一层卷积层对所述注册集进行卷积操作后得到第一卷积数据集，并将所述第一卷积数据集输入至第一层池化层；所述第一层池化层对所述卷积数据集进行最大化池化操作后得到第一降维数据集，并将所述第一降维数据集输入至第二层卷积层，所述第二层卷积层对所述第一降维数据集进行卷积操作后，得到第二卷积数据集，并将所述第二卷积数据集输入至第二层池化层进行所述最大化池化操作得到第二降维数据集，并将所述第二降维数据集最终输入至全连接层。

本发明较佳实施例中，所述全连接层结合激活函数对所述第二降维数据集进行计算，得到训练值集合，并将所述训练值集合和所述联系集输入至所述模型训练层的损失函数中，所述损失函数计算出损失值，直至所述损失值小于预设训练阈值时，所述卷积神经网络退出训练。

本发明较佳实施例中，所述卷积操作为：

其中ω′为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵；

所述激活函数为：

其中y为所述训练值集合，e为无限不循环小数。

本发明较佳实施例中，所述损失值T为：

其中，n为所述注册集的大小，yt为所述训练值集合，μt为所述联系集。

S7、人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，并判断所述人脸相似度集是否存在大于预设人脸相似度阈值的人脸相似度。

本发明较佳实施例中，所述人脸实时捕捉层接收用户五官无遮挡的人脸数据，当所述人脸实时捕捉层接收五官有遮挡的人脸数据时，提示用户接收失败需重新接收，直至接收成功后将所述用户五官无遮挡的人脸数据输入至所述模型训练层。

本发明较佳实施例，所述模型训练层将所述用户五官无遮挡的人脸数据输入至所述卷积神经网络中计算得到训练值，将所述训练值与所述注册集内注册信息的训练值集进行欧式距离运算，得到人脸相似度集。

本发明较佳实施例所述欧式距离运算为：

其中，a为所述训练值，yi为所述注册集内注册信息的训练值集，n为所述注册集内注册信息的数据总量。

当所述人脸相似度集均低于所述预设人脸相似度阈值时，执行S8、输出用户用餐失败的信息。

当所述人脸相似度集存在高于预设人脸相似度阈值的人脸相似度时，执行S9、选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，完成智能用餐。

本发明较佳实施例中的其中一个应用场景为：

用户通过注册/登录的方式进入安装在智能手机等用户终端中的智能用餐的应用程序，选择了其中一个餐厅后，输入包括用户昵称、手机号码、地址和人脸图片的用户信息后执行订餐操作，并进一步输入包括用户用餐时间、用户用餐的人数及/或用户用餐的餐品种类等的用餐方案，在所述餐厅接收了所述用餐方案时，完成通过智能手机的订餐操作。在用户预定的用餐时间前后的预设时间内，用户来到所述餐厅，所述餐厅捕捉用户的人脸数据后，将所述人脸数据输入至模型训练层，以计算所述用户人脸数据与所述注册集内注册信息的人脸相似度集，当所述人脸相似度集存在高于预设人脸相似度阈值时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，使得餐厅根据所述用餐方案为所述用户提供用餐服务。

发明还提供一种基于人脸识别的用餐装置。参照图2所示，为本发明一实施例提供的基于人脸识别的用餐装置的内部结构示意图。(对应修改)

在本实施例中，所述基于人脸识别的用餐装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该基于人脸识别的用餐装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是基于人脸识别的用餐装置1的内部存储单元，例如该基于人脸识别的用餐装置1的硬盘。存储器11在另一些实施例中也可以是基于人脸识别的用餐装置1的外部存储设备，例如基于人脸识别的用餐装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括基于人脸识别的用餐装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于基于人脸识别的用餐装置1的应用软件及各类数据，例如基于人脸识别的用餐程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于人脸识别的用餐程序01等。

通信总线13用于实现这些组件之间的连接通信。

网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。

可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于人脸识别的用餐装置1中处理的信息以及用于显示可视化的用户界面。

图2仅示出了具有组件11-14以及基于人脸识别的用餐程序01的基于人脸识别的用餐装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对基于人脸识别的用餐装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

在图2所示的装置1实施例中，存储器11中存储有基于人脸识别的用餐程序01；处理器12执行存储器11中存储的基于人脸识别的用餐程序01时实现如下步骤：

步骤一、数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中。

本发明较佳实施例中，所述数据接收层接收包括用户昵称、手机号码、地址和人脸图片的用户信息，将所述的人脸图片标注为注册信息，将所述的用户昵称、手机号码、地址标注为联系信息，将所述注册信息输入至数据库内的注册集，将所述联系信息输入至数据库内的联系集中。

步骤二、所述数据接收层提示所述用户第一预设时间内输入用餐方案，并判断在所述第一预设时间内是否接收到用户输入的用餐方案。

本发明较佳实施例中，所述用餐方案包括用户用餐时间、用户用餐的人数及/或用户用餐的餐品种类等。例如，用户A选择的用餐方案为“11:30分用餐、用餐人数为2人、选择油焖大虾和蒸水蛋两种餐品”。

所述第一预设时间包括，例如，一分钟。

步骤三、当所述数据接收层在所述第一预设时间内未接收到所述用餐方案时，所述数据库内的注册集销毁所述注册信息，并返回上述描述的步骤一。

步骤四、当所述数据接收层在所述第一预设时间内接收到所述用餐方案时，将所述用餐方案输入至用餐方案显示层。

步骤五、所述用餐方案显示层提示餐饮工作人员在第二预设时间内接收所述用餐方案，并判断在所述第二预设时间内是否接收到用户输入的用餐方案。

所述第二预设时间，例如1分钟。

步骤六、当所述餐饮工作人员在所述预设时间内未接收所述用餐方案，所述用餐方案显示层提示用户预约用餐失败，并返回步骤三。

步骤七、当所述餐饮工作人员在所述预设时间内接收所述用餐方案，所述用餐方案显示层提示用户预约用餐成功，所述数据库将所述注册集输入至模型训练层，所述模型训练层接收所述注册集，并将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练。

本发明较佳实施中，所述卷积神经网络接收所述注册集，将所述注册集输入至第一层卷积层，所述第一层卷积层对所述注册集进行卷积操作后得到第一卷积数据集，并将所述第一卷积数据集输入至第一层池化层；所述第一层池化层对所述卷积数据集进行最大化池化操作后得到第一降维数据集，并将所述第一降维数据集输入至第二层卷积层，所述第二层卷积层对所述第一降维数据集进行卷积操作后，得到第二卷积数据集，并将所述第二卷积数据集输入至第二层池化层进行所述最大化池化操作得到第二降维数据集，并将所述第二降维数据集最终输入至全连接层。

本发明较佳实施例中，所述全连接层结合激活函数对所述第二降维数据集进行计算，得到训练值集合，并将所述训练值集合和所述联系集输入至所述模型训练层的损失函数中，所述损失函数计算出损失值，直至所述损失值小于预设训练阈值时，所述卷积神经网络退出训练。

本发明较佳实施例中，所述卷积操作为：

其中ω′为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵；

所述激活函数为：

其中y为所述训练值集合，e为无限不循环小数。

本发明较佳实施例中，所述损失值T为：

其中，n为所述注册集的大小，yt为所述训练值集合，μt为所述联系集。

步骤八、人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，并判断所述人脸相似度集是否存在大于预设人脸相似度阈值的人脸相似度。。

本发明较佳实施例中，所述人脸实时捕捉层接收用户五官无遮挡的人脸数据，当所述人脸实时捕捉层接收五官有遮挡的人脸数据时，提示用户接收失败需重新接收，直至接收成功后将所述用户五官无遮挡的人脸数据输入至所述模型训练层。

本发明较佳实施例，所述模型训练层将所述用户五官无遮挡的人脸数据输入至所述卷积神经网络中计算得到训练值，将所述训练值与所述注册集内注册信息的训练值集进行欧式距离运算，得到人脸相似度集。

本发明较佳实施例所述欧式距离运算为：

其中，a为所述训练值，yi为所述注册集内注册信息的训练值集，n为所述注册集内注册信息的数据总量。

步骤九、当所述人脸相似度集均低于所述预设人脸相似度阈值时，输出用户用餐失败的信息。

步骤十、当所述人脸相似度集存在高于预设人脸相似度阈值的人脸相似度时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，完成智能用餐。

本发明较佳实施例中的其中一个应用场景为：

用户通过注册/登录的方式进入安装在智能手机等用户终端中的智能用餐的应用程序，选择了其中一个餐厅后，输入包括用户昵称、手机号码、地址和人脸图片的用户信息后执行订餐操作，并进一步输入包括用户用餐时间、用户用餐的人数及/或用户用餐的餐品种类等的用餐方案，在所述餐厅接收了所述用餐方案时，完成通过智能手机的订餐操作。在用户预定的用餐时间前后的预设时间内，用户来到所述餐厅，所述餐厅捕捉用户的人脸数据后，将所述人脸数据输入至模型训练层，以计算所述用户人脸数据与所述注册集内注册信息的人脸相似度集，当所述人脸相似度集存在高于预设人脸相似度阈值时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，使得餐厅根据所述用餐方案为所述用户提供用餐服务。

可选地，在其他实施例中，基于人脸识别的用餐程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述基于人脸识别的用餐程序在基于人脸识别的用餐装置中的执行过程。

例如，参照图3所示，为本发明基于人脸识别的用餐装置一实施例中的基于人脸识别的用餐程序的程序模块示意图，该实施例中，所述基于人脸识别的用餐程序可以被分割为数据接收模块10、数据处理模块20、模型训练模块30、用餐结果输出模块40，示例性地：

所述数据接收模块10用于：数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中，所述数据接收层提示所述用户输入用餐方案。当所述数据接收层未接收到所述用餐方案时，所述数据库内的注册集销毁所述注册信息，当所述数据接收层接收到所述用餐方案时，所述数据库将所述注册集输入至模型训练层，将所述用餐方案输入至用餐方案显示层。

所述数据处理模块20用于：所述用餐方案显示层在预设时间内提示餐饮工作人员接收所述用餐方案，当所述餐饮工作人员在所述预设时间内接收所述用餐方案，所述用餐方案显示层提示用户预约用餐成功，当所述餐饮工作人员在所述预设时间内未接收所述用餐方案，所述用餐方案显示层提示用户预约用餐失败。

所述模型训练模块30用于：所述模型训练层接收所述注册集，并将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练。

所述用餐结果输出模块40用于：人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，当所述人脸相似度集低于预设人脸相似度阈值时，输出用户用餐失败，当所述人脸相似度集高于预设人脸相似度阈值时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，完成智能用餐。

上述数据接收模块10、数据处理模块20、模型训练模块30、用餐结果输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于人脸识别的用餐程序，所述基于人脸识别的用餐程序可被一个或多个处理器执行，以实现如下操作：

数据接收层接收用户的注册信息，将所述注册信息输入至数据库内的注册集中，所述数据接收层提示所述用户输入用餐方案。当所述数据接收层未接收到所述用餐方案时，所述数据库内的注册集销毁所述注册信息，当所述数据接收层接收到所述用餐方案时，所述数据库将所述注册集输入至模型训练层，将所述用餐方案输入至用餐方案显示层。

所述用餐方案显示层在预设时间内提示餐饮工作人员接收所述用餐方案，当所述餐饮工作人员在所述预设时间内接收所述用餐方案，所述用餐方案显示层提示用户预约用餐成功，当所述餐饮工作人员在所述预设时间内未接收所述用餐方案，所述用餐方案显示层提示用户预约用餐失败。

所述模型训练层接收所述注册集，并将所述注册集输入至卷积神经网络中进行训练，直至所述卷积神经网络满足预设训练要求时退出训练。

人脸实时捕捉层接收用户人脸数据，并将所述用户人脸数据输入至所述模型训练层，所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集，当所述人脸相似度集低于预设人脸相似度阈值时，输出用户用餐失败，当所述人脸相似度集高于预设人脸相似度阈值时，选择所述注册集内相似度最高的注册信息，并输出所述相似度最高的注册信息对应的用餐方案，完成智能用餐。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。