CN110443015A

CN110443015A - 机电设备控制方法和控制设备

Info

Publication number: CN110443015A
Application number: CN201910580028.XA
Authority: CN
Inventors: 孔恒; 乔国刚; 张丽丽; 杨海建; 高胜雷; 张珣; 姜淼
Original assignee: Beijing Municipal Construction Co Ltd
Current assignee: Beijing Municipal Construction Co Ltd
Priority date: 2019-06-28
Filing date: 2019-06-28
Publication date: 2019-11-12

Abstract

本申请涉及一种机电设备控制方法，该方法包括：获取操作人员的唇部图像；将唇部图像输入预设的第一唇部检测模型，获得操作人员的初始唇纹特征，将初始唇纹特征输入预设的第二唇部检测模型，获得操作人员的唇纹特征，将唇纹特征与预存的参考唇纹特征进行匹配，若匹配成功，则获取操作人员的身份信息；读取所述身份信息对应的验证问题，并输出验证问题；接收操作人员响应于验证问题所输入的验证答案；若判定验证答案正确，则允许操作人员控制机电设备。本申请针对机电设备的控制方式设置了多种验证条件，只有在满足所有验证条件的情况下才允许操作人员控制机电设备，杜绝了没有操作权限的人员对机电设备的控制，从而实现了对机电设备的有效控制。

Description

机电设备控制方法和控制设备

技术领域

本申请涉及机电设备控制技术领域，特别是涉及一种机电设备控制方法和控制设备。

背景技术

随着地铁建设的迅速发展，许多城市相继展开了城市轨道地铁交通建设。但地铁交通建设是一项非常庞大的建设工程，耗费的人资和物资非常庞大。尤其是在地铁施工现场，一旦没有按照相关规定进行操作，极有可能发生安全事故，造成无法挽救的损失。

例如，在地铁施工现场中存在许多机电设备，但这些机电设备没有任何开停的控制手段，使得任何进入到现场的人员都可以随意地开停该机电设备，从而可能造成伤害。

因此，急需一种对地铁施工现场中机电设备进行有效控制的技术方案。

发明内容

基于此，有必要针对上述技术问题，提供一种机电设备控制方法和控制设备。

一种机电设备控制方法，所述方法包括：

获取操作人员的唇部图像；

将所述唇部图像输入预设的第一唇部检测模型，获得所述操作人员的初始唇纹特征，其中，所述第一唇部检测模型包括唇部检测粗糙模型；

将所述初始唇纹特征输入预设的第二唇部检测模型，获得所述操作人员的唇纹特征，其中，所述第二唇部检测模型包括唇部检测精细模型；

将所述唇纹特征与预存的参考唇纹特征进行匹配，若匹配成功，则获取所述操作人员的身份信息；

读取所述身份信息对应的验证问题，并输出所述验证问题；

接收所述操作人员响应于所述验证问题所输入的验证答案；

若判定所述验证答案正确，则允许所述操作人员控制所述机电设备。

在其中一个实施例中，所述第一唇部检测模型包括第一卷积神经网络模型；

将所述唇部图像输入预设的第一唇部检测模型，获得所述操作人员的初始唇纹特征，包括：

将所述唇部图像按照预设的标准像素值条件进行标准化处理，得到标准化图像；

将所述标准化图像输入所述第一卷积神经网络的卷积层，得到所述第一卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量；

将所述各部位的特征向量依次连接，得到第一唇部特征向量；

获取所述各部位的位置信息以及每两个所述部位之间的距离信息；

将所述位置信息、所述距离信息以及所述第一唇部特征向量输入所述第一卷积神经网络的全连接层，得到所述操作人员的初始唇纹特征。

在其中一个实施例中，所述第二唇部检测模型包括第二卷积神经网络模型；

将所述初始唇纹特征输入预设的第二唇部检测模型，获得所述操作人员的唇纹特征，包括：

将所述初始唇纹特征输入所述第二卷积神经网络的卷积层，得到所述第二卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量；

将所述各部位的特征向量依次连接，得到第二唇部特征向量；

将所述位置信息、所述距离信息以及所述第二唇部特征向量输入所述第二卷积神经网络的全连接层，得到所述操作人员的唇纹特征。

在其中一个实施例中，所述方法还包括：

获取所述操作人员对应的第一拍摄图像；

对所述第一拍摄图像进行图像识别，得到所述第一拍摄图像中的人数；

若所述第一拍摄图像中的人数与所述允许控制所述机电设备的人数不相等，则禁止所述操作人员控制所述机电设备。

在其中一个实施例中，若判定所述验证答案正确，则允许所述操作人员控制所述机电设备，包括：

若判定所述验证答案正确，则获取所述操作人员对应的设备类型；

向所述设备类型对应的机电设备发送控制信号，以使所述操作人员控制所述机电设备。

在其中一个实施例中，所述方法还包括：

若所述唇纹特征与预存的参考唇纹特征进行匹配的匹配结果为匹配失败，则获取所述操作人员的人脸图像；

对所述人脸图像进行人脸识别，得到人脸特征；

将所述人脸特征与预存的参考人脸特征进行匹配，若匹配成功，则获取所述操作人员的身份信息。

在其中一个实施例中，所述方法还包括：

若所述唇纹特征与预存的参考唇纹特征进行匹配的匹配结果为匹配失败，则输出操作密码输入信息；

获取所述操作人员响应于所述操作密码输入信息的操作密码；

若判定所述操作密码正确，则获取所述操作人员的身份信息。

在其中一个实施例中，所述方法还包括：

若判定所述验证答案错误，则输出重新输入验证答案提示。

在其中一个实施例中，所述方法还包括：

若所述验证答案的输入次数达到预设次数，开启锁定使用状态。

一种控制设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

上述机电设备控制方法和控制设备，先获取操作人员的唇部图像，基于该唇部图像对操作人员进行唇纹验证，在唇纹验证通过之后，再根据操作人员的身份信息输出验证问题，并基于操作人员给出的验证答案再次进行验证，并在验证答案正确的情况下允许操作人员控制机电设备。本申请针对机电设备的控制方式设置了多种验证条件，只有在满足所有验证条件的情况下才允许操作人员控制机电设备，杜绝了没有操作权限的人员对机电设备的控制，从而实现了对机电设备的有效控制。

附图说明

图1为一个实施例中机电设备控制方法的应用环境图；

图2为一个实施例中机电设备控制方法的流程示意图；

图3为一个实施例中获得操作人员的初始唇纹特征的补充方案的流程示意图；

图4为一个实施例中获得操作人员的唇纹特征的补充方案流程示意图；

图5为一个实施例中机电设备控制方法的补充方案的流程示意图；

图6为另一个实施例中机电设备控制方法的补充方案的流程示意图；

图7为一个实施例中控制设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的机电设备控制方法，可以应用于如图1所示的应用环境中。其中，唇部采集装置102与控制设备104连接。唇部采集装置102包括摄像头，该摄像头用于采集操作人员的唇部图像。控制设备104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。控制设备104用于根据该唇部图像进行身份验证，使得身份验证通过的操作人员有权控制相应的机电设备。

在一个实施例中，如图2所示，提供了一种机电设备控制方法，以该方法应用于图1中的控制设备104为例进行说明，包括以下步骤：

S202，获取操作人员的唇部图像。

具体地，唇部采集装置在检测到操作人员时，提醒操作人员按照预设姿态摆出相应动作，在确定符合姿态要求后，采集操作人员的唇部图像，并将其存储在唇部采集装置的缓存中。其中，该唇部图像包括操作人员完整的嘴唇。若唇部采集装置仅仅采集到部分嘴唇，则提示采集失败，并要求操作人员按照预设姿态再次采集操作人员的唇部图像。控制设备可从唇部采集装置的缓存中获取操作人员的唇部图像。

S204，将所述唇部图像输入预设的第一唇部检测模型，获得所述操作人员的初始唇纹特征。

其中，第一唇部检测模型包括唇部检测粗糙模型。唇部检测粗糙模型中包括唇部图像与初始唇纹特征的对应关系。

具体地，控制设备将唇部图像输入预设的唇部检测粗糙模型，基于模型中唇部图像与初始唇纹特征的对应关系，获得操作人员的初始唇纹特征。可选地，初始唇纹特征包括基于头部姿态的嘴唇图像中的嘴唇轮廓关键点(例如，嘴角、上下嘴唇中点等)的位置。在另一个实施例中，初始唇纹特征包括嘴唇形状。

作为一种实施方式，唇部检测粗糙模型的获得方式可以是：利用多组嘴唇图像样本作为训练样本进行训练而得到唇部检测粗糙模型。具体地，各组嘴唇图像样本具有各自预定的头部姿态。换句话说，不同组的嘴唇图像样本之间具有不同的头部姿态，同组的嘴唇图像样本具有相同或相近的头部姿态。例如，首先，收集一系列的嘴唇图像样本作为训练样本。例如，这些嘴唇图像样本可具有不同的形状、不同的头部姿态和/或不同的光照条件等。然后，根据头部姿态，将收集的嘴唇图像样本划分为不同的子集，每个子集对应于一个头部姿态。例如，可以按照头部水平旋转的角度进行划分。随后，在每个嘴唇图像样本上，手工标记出嘴唇轮廓关键点(例如，嘴角、上下嘴唇中点等)的位置。最后，可针对每个子集中的标记了嘴唇轮廓关键点的图像样本进行学习，从而可以得到唇部检测粗糙模型。得到的唇部检测粗糙模型可用于具有对应或最接近的头部姿态的嘴唇图像中嘴唇轮廓关键点的检测。可利用模式识别技术来建模并训练学习唇部检测粗糙模型。例如，基于不同的子集使用AdaBoost等训练方法训练分类器作为唇部检测粗糙模型。

S206，将所述初始唇纹特征输入预设的第二唇部检测模型，获得所述操作人员的唇纹特征。

其中，第二唇部检测模型包括唇部检测精细模型。唇部检测精细模型中包括初始唇纹特征与唇纹特征的对应关系。

具体地，控制设备将初始唇纹特征输入预设的唇部检测精细模型，基于模型中初始唇纹特征与唇纹特征的对应关系，获得操作人员的唇纹特征。可选地，唇纹特征包括基于头部姿态和嘴唇形状的嘴唇图像中的嘴唇轮廓关键点(例如，嘴角、上下嘴唇中点等)的位置。在另一个实施例中，唇纹特征包括唇纹数量、唇纹长度和唇纹分布特征。

作为一种实施方式，唇部检测精细模型的获得方式可以是：在上述描述的训练唇部检测粗糙模型时使用的子集的基础上，将每个子集按照嘴唇形状进一步划分为二级子集。然后利用每个二级子集来训练出唇部检测精细模型。此时，由于二级子集按照头部姿态和嘴唇形状进行了划分，因此唇部检测精细模型具有对应的头部姿态和嘴唇形状。在本实施例中，控制设备利用唇部检测精细模型来检测嘴唇时，基于匹配到的头部姿态以及嘴唇形状，所检测的嘴唇可由嘴唇轮廓关键点的位置来表示。

S208，将所述唇纹特征与预存的参考唇纹特征进行匹配，若匹配成功，则获取所述操作人员的身份信息。

其中，在控制设备中，预先建立了操作人员的参考唇纹特征与身份信息的关联关系。

其中，预存的参考唇纹特征存储在控制设备的存储器中。

具体地，控制设备将唇纹特征与预存的参考唇纹特征进行匹配，若匹配成功，控制设备基于参考唇纹特征与身份信息的关联关系，获取操作人员的身份信息。可选地，控制设备计算唇纹特征与参考唇纹特征的相似度，若相似度大于预设相似度，则匹配成功；反之，则匹配失败。

S210，读取所述身份信息对应的验证问题，并输出所述验证问题。

其中，在控制设备中，预先建立了操作人员的身份信息与验证问题的关联关系。

其中，验证问题存储在控制设备的存储器中。

具体地，控制设备基于操作人员的身份信息与验证问题的关联关系，读取身份信息对应的验证问题，并输出该验证问题。可选地，控制设备包括触摸屏。控制设备通过该触摸屏显示该验证问题。

S212，接收所述操作人员响应于所述验证问题所输入的验证答案。

可选地，操作人员在看到触摸屏上显示的验证问题后，在触摸屏上输入相应的验证答案，这样，控制设备便可接收到操作人员响应于该验证问题所输入的验证答案。

S214，若判定所述验证答案正确，则允许所述操作人员控制所述机电设备。

具体地，若控制设备判定验证答案正确，则控制设备输出允许控制信号至对应的机电设备，使得操作人员能够控制该机电设备。可选地，若控制设备判定验证答案错误，则输出重新输入验证答案提示，使得操作人员能够拥有再次输入验证答案的机会。可选地，若验证答案的输入次数达到预设次数，控制设备将开启锁定使用状态。

上述机电设备控制方法，先获取操作人员的唇部图像，基于该唇部图像对操作人员进行唇纹验证，在唇纹验证通过之后，再根据操作人员的身份信息输出验证问题，并基于操作人员给出的验证答案再次进行验证，并在验证答案正确的情况下允许操作人员控制机电设备。本申请针对机电设备的控制方式设置了多种验证条件，只有在满足所有验证条件的情况下才允许操作人员控制机电设备，杜绝了没有操作权限的人员对机电设备的控制，从而实现了对机电设备的有效控制。

在一个实施例中，请参阅图3，第一唇部检测模型包括第一卷积神经网络模型，则S204包括以下步骤：

S222，将所述唇部图像按照预设的标准像素值条件进行标准化处理，得到标准化图像。

具体地，由于唇部采集装置采集的唇部图像所具有的像素值较大，图像处理时所占用的时间较多，处理效率低下，因此，控制设备先将唇部图像按照预设的标准像素值条件进行标准化处理，得到标准化图像。其中，标准像素值条件可根据控制设备的处理能力设定。可以理解，标准化处理就是减小唇部图像的像素值。

S224，将所述标准化图像输入所述第一卷积神经网络的卷积层，得到所述第一卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量。

其中，唇部对应的各部位包括唇峰、唇角、唇中等。

具体地，在控制设备得到标准化图像之后，将该标准化图像输入第一卷积神经网络的卷积层，得到第一卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量。其中，该卷积层具有N×N(N为大于1的自然数，例如2或3)大小的卷积核。假设每一层卷积层进行步长为1的卷积操作，表示卷积核每次向右移动一个像素(当移动到边界时回到最左端并向下移动一个单位)。卷积核的权重是经过学习得到的，并且在卷积过程中卷积核的权重是不会改变的。卷积核的每个单元内有一个权重，也即一个卷积核内有N²个权重。在卷积核移动的过程中，可以将图片上的像素和卷积核的对应权重相乘，最后将所有乘积相加得到一个输出。在这里，可以使用多层卷积层来得到各部位更深层次的特征向量，也即提取各部位更具有鉴别力的特征。

S226，将所述各部位的特征向量依次连接，得到第一唇部特征向量。

具体地，控制设备将各部位的特征向量依次连接在一起所得到的唇部特征向量，可以保留各部位的顺序信息。

S228，获取所述各部位的位置信息以及每两个所述部位之间的距离信息。

其中，每个部位对应有关键点，关键点可以是部位的中心点、峰值点等等。

具体地，控制设备读取每部位关键点的位置信息，并将其确定为各部位的位置信息。控制设备计算两个部位的关键点之间的距离信息，并将该距离信息确定为每两个部位之间的距离信息。例如，若将上下嘴唇的唇峰的峰值点作为对应的关键点，那么峰值点的位置信息即为唇峰的位置信息，上下唇峰之间的距离信息即为这两个峰值点的之间的距离信息。

S230，将所述位置信息、所述距离信息以及所述第一唇部特征向量输入所述第一卷积神经网络的全连接层，得到所述操作人员的初始唇纹特征。

其中，全连接层(fully connected layers，FC)通常出现在卷积神经网络的最后几层，用于对前面输入的特征做加权和，以便在整个卷积神经网络中起到“分类器”的作用。如果说卷积层等操作是将原始数据映射到隐层特征空间的话，之后将位置信息、距离信息这两类约束以及第一唇部特征向量输入至全连接层，可以将卷积层学到的“分布式特征表示”以及位置信息和距离信息这两类约束分别映射至样本标记空间。

具体地，控制设备将位置信息、距离信息以及第一唇部特征向量输入第一卷积神经网络的全连接层，可得到全连接层输出的操作人员的初始唇纹特征。

在一个实施例中，请参阅图4，第二唇部检测模型包括第二卷积神经网络模型，则S206包括以下步骤：

S242，将所述初始唇纹特征输入所述第二卷积神经网络的卷积层，得到所述第二卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量；

S244，将所述各部位的特征向量依次连接，得到第二唇部特征向量；

S246，获取所述各部位的位置信息以及每两个所述部位之间的距离信息；

S248，将所述位置信息、所述距离信息以及所述第二唇部特征向量输入所述第二卷积神经网络的全连接层，得到所述操作人员的唇纹特征。

其中，上述实施例已经详细说明了卷积神经网络模型的工作原理，在此不再赘述。具体地，控制设备将初始唇纹特征输入第二卷积神经网络的卷积层，得到第二卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量，之后控制设备将各部位的特征向量依次连接，得到第二唇部特征向量，之后控制设备获取各部位的位置信息以及每两个部位之间的距离信息，最后控制设备将该位置信息、该距离信息以及第二唇部特征向量输入第二卷积神经网络的全连接层，得到操作人员的唇纹特征。

在一个实施例中，请参阅图5，涉及人数判断的具体过程。在上述实施例的基础上，该方法还包括以下步骤：

S252，获取所述操作人员对应的第一拍摄图像；

S254，对所述第一拍摄图像进行图像识别，得到所述第一拍摄图像中的人数；

S256，若所述第一拍摄图像中的人数与所述允许控制所述机电设备的人数不相等，则禁止所述操作人员控制所述机电设备。

具体地，在操作人员进行身份验证的过程中，通过摄像头实时采集操作人员对应的第一拍摄图像。控制设备对第一拍摄图像进行图像识别，得到第一拍摄图像中的人数。当操作人员输入的验证答案正确时，统计对应的人数，若该人数与第一拍摄图像中的人数不相等，则禁止操作人员控制所述机电设备。

在一个实施例中，S214包括以下步骤：

S262，若判定所述验证答案正确，则获取所述操作人员对应的设备类型；

S264，向所述设备类型对应的机电设备发送控制信号，以使所述操作人员控制所述机电设备。

其中，不同的操作人员可操控的机电设备是不同的。因此，在控制设备中，预先建立了操作人员与机电设备的类型的关联关系。

具体地，若控制设备判定操作人员输入的验证答案是正确的，则控制设备基于操作人员与机电设备的类型的关联关系，读取操作人员对应的设备类型，进而控制设备向设备类型对应的机电设备发送允许控制信号，以使操作人员控制该机电设备。

在一个实施例中，请参阅图6，该方法还包括以下步骤：

S272，若所述唇纹特征与预存的参考唇纹特征进行匹配的匹配结果为匹配失败，则获取所述操作人员的人脸图像；

S274，对所述人脸图像进行人脸识别，得到人脸特征；

S276，将所述人脸特征与预存的参考人脸特征进行匹配，若匹配成功，则获取所述操作人员的身份信息。

其中，在控制设备中，预先建立了操作人员的人脸特征与身份信息的关联关系。

其中，预存的参考人脸特征存储在控制设备的存储器中。

具体地，若控制设备判定操作人员的唇纹特征与预存的参考唇纹特征不匹配，则通过人脸采集装置采集操作人员的人脸图像。之后控制设备对该人脸图像进行人脸识别以得到人脸特征，并将该人脸特征与预存的参考人脸特征进行匹配，若匹配成功，则获取操作人员的身份信息。可选地，控制设备计算人脸特征与参考人脸特征的相似度，若相似度大于预设相似度，则匹配成功；反之，则匹配失败。

在一个实施例中，该方法还包括以下步骤：

S282，若所述唇纹特征与预存的参考唇纹特征进行匹配的匹配结果为匹配失败，则输出操作密码输入信息；

S284，获取所述操作人员响应于所述操作密码输入信息的操作密码；

S286，若判定所述操作密码正确，则获取所述操作人员的身份信息。

具体地，若控制设备判定操作人员的唇纹特征与预存的参考唇纹特征不匹配，则进入操作密码验证阶段，在该阶段中，控制设备提示操作人员输入操作密码，并在接收到操作人员输入的操作密码后，判断该操作密码是否正确，若判定正确，则获取操作人员的身份信息。

应该理解的是，虽然图2-6流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，提供了一种控制设备，该控制设备可以是终端，其内部结构图可以如图7所示。该控制设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该控制设备的处理器用于提供计算和控制能力。该控制设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该控制设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机电设备的控制方法。该控制设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该控制设备的输入装置可以是显示屏上覆盖的触摸层，也可以是控制设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的控制设备的限定，具体的控制设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种控制设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取操作人员的唇部图像；

读取所述身份信息对应的验证问题，并输出所述验证问题；

接收所述操作人员响应于所述验证问题所输入的验证答案；

上述控制设备，先获取操作人员的唇部图像，基于该唇部图像对操作人员进行唇纹验证，在唇纹验证通过之后，再根据操作人员的身份信息输出验证问题，并基于操作人员给出的验证答案再次进行验证，并在验证答案正确的情况下允许操作人员控制机电设备。本申请针对机电设备的控制方式设置了多种验证条件，只有在满足所有验证条件的情况下才允许操作人员控制机电设备，杜绝了没有操作权限的人员对机电设备的控制，从而实现了对机电设备的有效控制。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述唇部图像按照预设的标准像素值条件进行标准化处理，得到标准化图像；将所述标准化图像输入所述第一卷积神经网络的卷积层，得到所述第一卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量；将所述各部位的特征向量依次连接，得到第一唇部特征向量；获取所述各部位的位置信息以及每两个所述部位之间的距离信息；将所述位置信息、所述距离信息以及所述第一唇部特征向量输入所述第一卷积神经网络的全连接层，得到所述操作人员的初始唇纹特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述初始唇纹特征输入所述第二卷积神经网络的卷积层，得到所述第二卷积神经网络的卷积层所提取的唇部对应的各部位的特征向量；将所述各部位的特征向量依次连接，得到第二唇部特征向量；获取所述各部位的位置信息以及每两个所述部位之间的距离信息；将所述位置信息、所述距离信息以及所述第二唇部特征向量输入所述第二卷积神经网络的全连接层，得到所述操作人员的唇纹特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述操作人员对应的第一拍摄图像；对所述第一拍摄图像进行图像识别，得到所述第一拍摄图像中的人数；若所述第一拍摄图像中的人数与所述允许控制所述机电设备的人数不相等，则禁止所述操作人员控制所述机电设备。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若判定所述验证答案正确，则获取所述操作人员对应的设备类型；向所述设备类型对应的机电设备发送控制信号，以使所述操作人员控制所述机电设备。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述唇纹特征与预存的参考唇纹特征进行匹配的匹配结果为匹配失败，则获取所述操作人员的人脸图像；对所述人脸图像进行人脸识别，得到人脸特征；将所述人脸特征与预存的参考人脸特征进行匹配，若匹配成功，则获取所述操作人员的身份信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述唇纹特征与预存的参考唇纹特征进行匹配的匹配结果为匹配失败，则输出操作密码输入信息；获取所述操作人员响应于所述操作密码输入信息的操作密码；若判定所述操作密码正确，则获取所述操作人员的身份信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若判定所述验证答案错误，则输出重新输入验证答案提示。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述验证答案的输入次数达到预设次数，开启锁定使用状态。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种机电设备控制方法，其特征在于，所述方法包括：

获取操作人员的唇部图像；

读取所述身份信息对应的验证问题，并输出所述验证问题；

接收所述操作人员响应于所述验证问题所输入的验证答案；

2.根据权利要求1所述的方法，其特征在于，所述第一唇部检测模型包括第一卷积神经网络模型；

3.根据权利要求1所述的方法，其特征在于，所述第二唇部检测模型包括第二卷积神经网络模型；

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述操作人员对应的第一拍摄图像；

5.根据权利要求1所述的方法，其特征在于，若判定所述验证答案正确，则允许所述操作人员控制所述机电设备，包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述人脸图像进行人脸识别，得到人脸特征；

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若判定所述验证答案错误，则输出重新输入验证答案提示。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

10.一种控制设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。