人脸识别技术在高校教工餐厅应用研究

袁以铎

（滁州学院后勤管理与基建处，安徽 滁州 239000）

0 引言

高校教职工餐厅是高校教职工就餐的主要场所，是高校重要的民生工程。然而，传统的点餐方式存在排队等待、服务效率低、工作量大等问题。为提升教工餐厅的就餐服务模式，积极引入前沿科技是当下高校教工餐厅创新服务改革的重要方向。随着科技的不断发展，人脸识别技术被广泛应用于安防、金融、物流等领域。因此，将人脸识别技术应用于高校教工餐厅成为一个值得研究的课题。

人脸识别技术，又称面部识别、人像识别，是一种基于人的脸部特征信息进行身份识别的生物识别技术。该技术采用数字图像、视频采集设备（如摄像头），采集或抓拍获取人脸数字图像信息，然后使用特定的人脸特征提取算法（如HoG、Dlib 和卷积神经网络特征）以及人脸比对算法（如基于神经网络、支持向量机、模板等识别算法）进行目标人脸特征的识别认证[1]。

具体来说，人脸采集设备（如摄像机或摄像头）被安装在指定位置，对获取该区域的人群人脸的图像信息或视频流进行预处理，检测并提取其中的人脸数据，然后采用识别算法进行一系列比对和识别。该过程具有非接触性、检测主体唯一、准确率高等特点。同时，部分采集设备还具有活体检测功能，防止使用人脸照片进行盗刷。此外，人脸识别技术还具有易于采集、无感知抓拍、无须携带、成本低廉等特性。具体实现流程如图1所示。

图1 人脸识别技术实现流程图

本文探讨了人脸识别技术在高校餐厅的研究和应用案例，详细阐述了人脸识别系统的设计与关键技术。此外，还介绍了人脸识别技术在滁州学院教工餐厅的应用实现情况。

1 相关研究

近年来，越来越多的学者和研究人员对人脸识别技术在高校餐厅应用进行了相关研究。其中，部分研究探讨了人脸识别技术在提高高校餐厅服务效率和管理水平方面的作用。举例来说，文献[2]通过引入人脸识别技术，高校餐厅可以实现自助点餐、快速结账等服务，从而提高服务效率和顾客满意度。此外，还有研究关注于人脸识别技术在高校餐厅数据分析和营销方面的应用。文献[3-4]通过人脸识别技术获取学生的用餐记录和消费数据，高校餐厅可以更好地了解学生的饮食偏好和消费习惯，为餐厅提供更为个性化的服务和产品。同时，通过数据分析和挖掘，高校餐厅还可以制定更为精准的营销策略，提高餐厅的盈利水平。然而，也有研究关注于人脸识别技术在高校餐厅应用中存在的安全和隐私问题。文献[5]指出，人脸识别技术在数据保护和信息安全方面仍面临一些挑战和风险，例如未经允许的人脸识别、信息泄露等问题，可能导致学生的隐私权和信息安全受到侵犯。

在高校教工餐厅中，人脸识别技术的应用也逐渐得到了推广和应用。人脸识别技术在高校餐厅应用的案例越来越多。例如，南京理工大学教工餐厅引入了人脸识别技术，教工只需在进入餐厅时进行人脸验证，就可以在餐厅内进行点餐和结账。在上海交通大学，也推广了人脸识别技术，不仅可以实现快速点餐和结账，还可以记录学生的饮食习惯和消费记录，为餐厅的餐饮管理提供了有力的数据支持。

综上所述，人脸识别技术在高校餐厅应用的相关研究已经有了一定的深入和拓展。人脸识别技术在高校餐厅的应用可以提高服务效率、减轻服务人员的工作量，还可以为餐厅提供有用的数据分析。

2 实现过程及关键技术

教工餐厅人脸识别过程可以分为以下几个步骤，如图2所示：

图2 教职工餐厅人脸识别过程

采集人脸数据：使用摄像头采集教工餐厅中用餐教职工的人脸数据，包括正面、左侧、右侧等多个角度的图像。为了提高后续的识别准确率，采集的图像需要进行预处理，如对齐、归一化等操作。

提取人脸特征：对于每个采集的人脸图像，使用深度学习算法（如FaceNet）提取其特征向量，通常将特征向量的维度设置为128。

数据库建立和维护：将提取出的人脸特征向量保存到数据库中，并建立每个教职工的人脸特征库。当新教职工加入或教职工离职时，需要更新数据库

人脸识别：当教职工在教工餐厅用餐时，通过摄像头采集其人脸图像，并提取特征向量。然后，将该特征向量与数据库中的所有教职工的特征向量进行比对，找出最相似的一组特征向量。若相似度高于设定的阈值，则判定为匹配成功，允许该教职工进入餐厅。

异常处理：当教职工在识别过程中遇到问题，如人脸图像清晰度不足、光线不足等，系统会进行提示并拒绝支付。同时，可以设置紧急POS 机，刷卡或现金支付或手动登记，以应对特殊情况。为保障系统的安全性，还需加强防护措施，如加密人脸特征向量、设置权限等。

2.1 人脸采集

教工餐厅人脸采集是指通过计算机视觉和人工智能技术对教工进行面部特征的采集和处理，实现对用户身份的自动识别和验证。

教工餐厅人脸采集的过程主要包括以下几个步骤：

预处理：首先需要对图像进行预处理，包括去噪、增强、缩放等操作，以提高图像的质量和特征的清晰度。在去噪方面，采用滤波器进行降噪处理；在增强方面，采用对比度增强或直方图均衡化等方法；在缩放方面，可以根据具体需求将图像大小调整至合适的尺寸。

人脸检测：其次需要进行人脸检测，即从预处理后的图像中自动定位出人脸的位置和大小。在人脸检测方面，采用基于深度学习的人脸检测器Faster RCNN。

特征提取：在人脸检测的基础上，需要对人脸图像进行特征提取，即将人脸的关键特征点提取出来，并将其转换为数字化的特征向量。在特征提取方面，采用基于深度学习的卷积神经网络（CNN）等算法。

特征匹配：最后需要对采集的人脸特征进行匹配和比对，以确定用户的身份。在特征匹配方面，采用基于深度学习的Siamese网络等算法。

2.2 人脸特征提取

人脸特征提取算法在教职工餐厅的应用是实现人脸识别技术的关键步骤之一。在实现教职工餐厅人脸识别技术中，本文采用了基于FaceNet 深度学习方法进行人脸特征提取。FaceNet 是Google Brain 团队提出的一个深度学习方法，用于进行人脸识别和人脸验证任务。该方法通过学习一个端到端的神经网络模型，将人脸图像转换为对应的高维度特征向量，从而实现人脸特征的提取和匹配。

FaceNet 的核心思想是使用卷积神经网络（CNN）学习人脸图像的特征表示。FaceNet 中，采用了三元组损失函数来训练网络。三元组损失函数的核心思想是对于每张人脸图像，在同一人的图像特征向量和不同人的图像特征向量之间定义一个相似度度量，然后通过最小化同一人图像特征向量与不同人图像特征向量的相似度差距，最大化同一人图像特征向量之间的相似度，来训练网络，使得同一人的图像特征向量尽可能地接近，不同人的图像特征向量尽可能地远离。具体来说，对于每个人脸图像，选择一个与其同一人的图像和一个不同人的图像，构成一个三元组，分别表示为a、ip、ini。其中表示锚点人脸图像的特征向量征向量，表示与不同人的人脸图像的特征向量。

三元组损失函数的含义是：对于每个三元组，最小化同一人图像特征向量与不同人图像特征向量之间的距离，最大化同一人图像特征向量之间的距离，以达到让同一人的图像特征向量尽可能地接近，不同人的图像特征向量尽可能地远离的目的。

FaceNet 算法通过使用三元组损失函数来训练网络，得到了具有较高鲁棒性和可比性的人脸特征向量。FaceNet算法的网络结构如图3所示。

图3 FaceNet网络结构图

在教职工餐厅中，可以利用FaceNet 提取每个教职工的人脸特征向量，并将其存储到数据库中。当教职工进行刷脸支付时，可以通过摄像头获取教职工的人脸图像，并通过FaceNet 提取出该教职工的特征向量，与数据库中的特征向量进行比对，从而完成教职工身份的识别和支付过程。

2.3 基于1:1 模式的人脸识别过程

教职工餐厅人脸支付过程主要是教职工身份验证，系统进行一对一比对，判定是不是教职工本人，回答“是或否”，是一个二分类问题。在教职工餐厅人脸识别中，当客户端检测到人脸，由人脸检测算法完成一系列处理后，交给后台人脸识别算法，与人脸库中的所有人脸进行比对并得出是否匹配成功。人脸识别过程即对比特征的过程，通过公式（1）计算待识别人脸特征（x11,x12,…x1n）与人脸库中每个人脸特征（xi1,xi2,…xin）的欧式距离，如果小于所设定的阈值，则输出距离最小的人脸图像作为识别结果，大于阈值则识别失败。

公开LFW 测试数据集上的人脸识别模型就是基于1:1 模式，在1:1 模式下的人脸识别模型，通常是选择等量的正例或负例，其中正例表示检测人脸与人脸库中人脸是相同的两张照片，负例则相反。1:1 模式通过设定指定的阈值来判定两张照片是否同一个人，一般阈值越低，越容易判定为同一个人，当然准确率也越低。1:1 模式在高铁进出站，支付宝“刷脸”支付等场景也有应用[6]。

3 人脸识别系统的实现

3.1 性能测试

为了评估人脸识别算法的性能，如计算准确率和阈值，笔者开展了一系列测试实验。在教工餐厅人脸识别测试过程中，使用不同的阈值来评估准确率。具体实验流程如下：首先，收集200 位教职工的人脸图像，并将其划分为训练集和测试集。训练集用于模型训练，测试集用于模型性能评估。使用已训练好的人脸识别模型对测试集中的人脸图像进行识别，同时使用不同的阈值进行实验。记录每个阈值下的识别准确率，即正确识别的人脸图像数量与测试集中的总人脸图像数量的比例。

实验结果如表1所示。将不同阈值下的准确率与识别率绘制成图4。对实验结果进行分析和比较，选取最佳阈值进行教工餐厅人脸识别。

表1 阈值、准确率、识别率三者的关系

图4 阈值与准确率结果图

在实验中，为了保证结果的可靠性，需要进行多次实验，并取平均值作为最终结果。同时，还需要注意阈值的选择范围，过高的阈值可能导致识别率低，而过低的阈值可能导致误识别率高。

从表1 和图4 可以看到，在保障准确率的同时要提高识别率，经过多次实验，最终的阈值设置为0.6较为合适。

3.2 系统实现

以滁州学院教工餐厅为例，该餐厅的人脸识别支付主界面如图5所示。界面上端装有摄像头，界面中显示了学校名称、所在餐厅以及餐次的营业时间。该界面支持刷卡和刷脸支付功能的自由切换，并提供了现场人脸采集、查询以及查看流水等功能。需要注意的是，对于尚未采集人脸信息的教职工（如新进员工、年长员工等），仍可使用刷卡支付方式。在界面的下端，显示了该餐次当前的累计消费总额和消费次数等信息。

图5 滁州学院教工餐厅人脸识别主界面

在滁州学院教工餐厅现场，在餐厅入口配置立式单触摸屏智能终端，疫情期间人脸检测包含两种场景，一种是不戴口罩的正常人脸姿态，如图6（a）所示，另一种是戴口罩的人脸姿态，如图6（b）所示。方框表示人脸检测区域，口罩部分包含在人脸检测特征中。在基于1:1模式下，经测试，这两种人脸姿态均能够正常识别。

图6 现场人脸识别测试

4 结束语

高校教工餐厅作为后勤服务的核心组成部分，不仅是师生用餐的重要场所，也是智慧校园建设的重要体现。本文以滁州学院为例，探讨了人脸识别技术在高校教职工餐厅中的应用实现路径，实现了“靠脸吃饭”的智能化服务，提升了服务、管理和创新水平。该研究对推进高校后勤服务的升级和发展，具有重要的理论意义。