CN111241918B - 一种基于人脸识别的车用防跟踪方法及系统 - Google Patents

Abstract

本发明公开了一种基于人脸识别的车用防跟踪方法，包括：完成车用防跟踪装置的布置；采集车辆后方行驶车辆中人员的图像；将采集到的的所述图像传送至防跟踪设备中；通过所述防跟踪设备对所述图像进行清晰度处理和压缩处理；将处理好的所述图像发送至云端服务器；通过所述云端服务器进行人脸识别和信息处理，并作出分析结果；将所述分析结果发送至手机上，实现防跟踪的提醒，本发明基于人脸识别的技术，识别分析后方车辆的前排驾驶员、副驾驶乘坐员的面部特征及面部朝向，判断是否是跟踪者，并能锁定跟踪者，使得跟踪者就算跟换了车辆也能够进行精准的防跟踪识别，同时还可以识别出跟踪者。

Description

一种基于人脸识别的车用防跟踪方法及系统

技术领域

本发明涉及车辆安全技术领域，尤其涉及一种基于人脸识别的车用防跟踪方法及系统。

背景技术

现如今，人们对于开车出行的人身安全都给予了更多的重视，不管是如运钞车一类的特殊车辆还是普通的私家车，人们都希望能够配备有防跟踪的设备来提醒自己是否被跟踪，从而能够提前预警，防范犯罪的发生，保障自身的安全。

现有技术中的车辆防跟踪技术是通过识别后方车辆的车牌号，从而判断后方车辆是否实施了跟踪行为，但此种技术不能针对跟踪者进行识别，导致跟踪者换了车辆后就不能起到精准的识别效果，无法起到防跟踪的功能。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有车辆防跟踪技术存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有技术不能针对跟踪者进行识别，导致跟踪者换了车辆后无法起到防跟踪的功能。

为解决上述技术问题，本发明提供如下技术方案：一种基于人脸识别的车用防跟踪方法，包括：完成车用防跟踪装置的布置；采集车辆后方行驶车辆中人员的图像；将采集到的的所述图像传送至防跟踪设备中；通过所述防跟踪设备对所述图像进行清晰度处理和压缩处理；将处理好的所述图像发送至云端服务器；通过所述云端服务器进行人脸识别和信息处理，并作出分析结果；将所述分析结果发送至手机上，实现防跟踪的提醒。

作为本发明所述的基于人脸识别的车用防跟踪方法的一种优选方案，其中：所述车用防跟踪装置的布置具体包括：安装所述防跟踪设备和超高清摄像头；通过连接线束将所述超高清摄像头接入至所述防跟踪设备，并开启供电；所述手机通过WIFI无线连接接入所述防跟踪设备中；设置所述防跟踪设备接入至云端服务器。

作为本发明所述的基于人脸识别的车用防跟踪方法的一种优选方案，其中：所述手机通过WIFI无线连接接入所述防跟踪设备后，查看拍摄的所述图像，并调整所述超高清摄像头的镜头取得最佳的拍摄效果。

作为本发明所述的基于人脸识别的车用防跟踪方法的一种优选方案，其中：设置所述防跟踪设备接入至所述云端服务器时，通过车辆自带的无线上网功能连接入所述云端服务器中；如车辆未配置无线上网功能则开启所述防跟踪设置自带的无线数据通讯功能使其连接入所述云端服务器中。

作为本发明所述的基于人脸识别的车用防跟踪方法的一种优选方案，其中：所述信息处理步骤包括识别面部特征及朝向，统计分析后方车辆跟随的时长以及后方车辆中的人员望向我方车辆的次数。

为解决上述技术问题，本发明还提供如下技术方案：一种基于人脸识别的车用防跟踪系统，包括：摄像模块，用于采集车辆后方行驶车辆中人员的图像；处理模块，用于对所述图像进行清晰度处理和压缩处理，并将处理后的所述图像发送至所述云端服务器；识别分析模块，用于识别后方车辆人员的面部特征及朝向，统计分析后方车辆跟随的时长以及后方车辆人员望向我方车辆的次数；判断预警模块，用于接收所述识别分析模块的分析结果，作出判断后发送至手机，实现预警。

作为本发明所述的基于人脸识别的车用防跟踪系统的一种优选方案，其中：还包括调整模块，用于在所述摄像模块工作时，通过专用的手机软件查看拍摄的所述图像，并调整所述超高清摄像头的镜头取得最佳的拍摄效果。

作为本发明所述的基于人脸识别的车用防跟踪系统的一种优选方案，其中：所述处理模块具体包括：图像清晰处理单元，用于将所述图像变得清晰；图像压缩处理单元，用于压缩经过所述图像清晰处理单元处理的所述图像；传送单元，用于将压缩的所述图像传送至所述云端服务器。

作为本发明所述的基于人脸识别的车用防跟踪系统的一种优选方案，其中：所述识别分析模块具体包括：识别单元，用于识别后方车辆人员的面部特征及朝向；统计单元，用于根据所述识别单元的识别结果，统计出后方车辆跟随的时长以及后方车辆人员望向我方车辆的次数；分析单元，根据所述统计单元给出的统计数据，作出分析结果。

本发明的有益效果：本发明基于人脸识别的技术，识别分析后方车辆的前排驾驶员、副驾驶乘坐员的面部特征及面部朝向，判断是否是跟踪者，并能锁定跟踪者，使得跟踪者就算跟换了车辆也能够进行精准的防跟踪识别，同时还可以识别出跟踪者。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的基于人脸识别的车用防跟踪方法的流程图；

图2为本发明提供的基于人脸识别的车用防跟踪系统的模块图；

图3为本发明提供的基于人脸识别的车用防跟踪方法的拓扑图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

请参阅图1和图3，为本发明提供的基于人脸识别的车用防跟踪方法的第一个实施例：一种基于人脸识别的车用防跟踪方法，包括以下步骤，

完成车用防跟踪装置的布置；

采集车辆后方行驶车辆中人员的图像；

将采集到的的图像传送至防跟踪设备中；

通过防跟踪设备对图像进行清晰度处理和压缩处理；

将处理好的图像发送至云端服务器；

通过云端服务器进行人脸识别和信息处理，并作出分析结果；

将分析结果发送至手机上，实现防跟踪的提醒。

进一步的，车用防跟踪装置的布置具体包括如下步骤，

安装防跟踪设备和超高清摄像头；

通过连接线束将超高清摄像头接入至防跟踪设备，并开启供电；

手机通过WIFI无线连接接入防跟踪设备中；

设置防跟踪设备接入至云端服务器。

需要注意的是：

①超高清摄像头针对小车建议在车身后方挡风玻璃上方布置超高清摄像头，大车建议在车身后防顶部安装，镜头方向朝向后方车辆，方便采集到我方车辆后方行驶车辆的前排驾驶员、副驾驶的图像；

②手机接入防跟踪设备后，通过手机查看拍摄的图像，并手动根据实际显示情况调整超高清摄像头的镜头取得最佳的拍摄效果；

③设置防跟踪设备接入至云端服务器时，可通过车辆自带的无线上网功能连接入云端服务器中；如车辆未配置无线上网功能则开启防跟踪设置自带的无线数据通讯功能使其连接入云端服务器中；

④防跟踪设备对图像进行清晰度处理的方法可以通过在防跟踪设备中安设图像处理软件，通过：复制一层，将图层属性改为柔光，调整透明度；或复制一层，属性叠加，也调整透明度；或复制一层干净通道，通过光照感应装置探测色阶是否合格，调整色阶后照亮边缘，把不需要清晰的地方标记为黑色，点选该通道，回到图层，通过艺术效果滤镜进行清晰度的处理等方式实现。对图像进行压缩处理考虑到成本问题，可以选用有损数据压缩，包括色度抽样和变换编码等方式实现。

进一步的，信息处理步骤包括识别面部特征及朝向，统计分析后方车辆跟随的时长以及后方车辆中的人员望向我方车辆的次数。考虑到本地人脸识别对车载中央处理器性能要求非常高，而目前的车载中央处理器的计算能力有限，识别效果不好，且高性能的车载中央处理器价格昂贵，从而使得防跟踪设备的价格高，不利于大众普及。随着无线网络技术的发展(4G、5G网络)，超高清视频的传输越来越容易，云端服务器的计算能力远超车载计算机，适合运行识别算法进行复杂的图像识别。车载中央处理器只用来优化采集图像的清晰度以及压缩图像，目前的车载中央处理器足以满足这一要求。其中，云端服务器进行面部特征的识别和面部朝向的分析，从而统计分析后方车辆跟随的时长以及后方车辆中的人员望向我方车辆的次数具体为：云端服务器从图像中标定出人脸的位置和大小，提取详细的人脸特征数据，生成一个临时人脸ID，并与数据库中已有的每一个人脸ID的特征数据进行对比，如对比上已有人脸ID，则统计该人脸ID的累计跟随时间，如与已有人脸ID对比不上，则生成一个全新的人脸ID存储在数据库，同时记录该ID的跟随时间，实现后方车辆和人员跟随的时间统计；云端服务器从摄像头采集的图像中提取人脸图像，当人脸朝向不同时，人的眼睛在图像中的位置会有明显的不同，因此将人脸中人眼位置信息特征提取出来进行识别，即可识别人脸的朝向，通过分析人脸朝向，实现人脸朝向我方车辆的次数统计，具体包括：运用LVQ神经网络进行人脸朝向的识别，比如，现采集到一组人脸朝向不同的图像，图像来自20个人，每人5幅图像，人脸的朝向分别为：左方、左前方、前方、右前方、右方。建立一个LVQ神经网络对任意给出的人脸图像进行朝向预测和识别。将图片中描述眼睛位置的特征向量提取出来作为输入，5个朝向分别用1，2，3，4，5表示，通过对训练集的图像进行训练，得到具有预测功能的网络实现对任意给出的人脸图像进行朝向判断和识别。首先进行图像的预处理，即将采集到的不同大小的图像裁剪成320*360大小；运用MATLAB图像处理工具中的rgb2gray函数将RGB图像转换成灰度图像，实现程序为：

％读取图像

I＝imread(‘2_2.bmp’)；

％将RGB图像转换为灰度图像

j＝rgb2gray(I)；

figure，imshow(I)，figure，imshow(j)

而后运用Sobel算子进行边缘检测，计算公式如下：

f_x(x，y)＝f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)-f(x-1，y-1)

-2f(x，y-1)-f(x+1，y-1)

f_y(x，y)＝f(x-1，y-1)+2f(x-1，y)+f(x-1，y+1)-f(x+1，y-1)

-2f(x+1，y)-f(x+1，y+1)

G[f(x，y)]＝|f_x(x，y)|+|f_y(x，y)|

其中，f′_x(x，y)、f′_y(x，y)分别表示x方向和y方向的一阶微分，G[f(x，y)]为Sobel算法的梯度，f(x，y)是具有整数像素坐标的输入图像。

而后统计像素点位置，具体实现程序如下：

％人脸特征向量提取

％人数

M＝20；

％人脸朝向类别数

N＝5；

％特征向量提取

pixel_value＝feature_extraction(M，N)；

其中，feature_extraction为人脸特征向量提取子函数。提取出的像素点个数用一个100×8的矩阵表示出来，作为LVQ神经网络的输入层。

上述提取出特征向量后，将100个不同人脸朝向的特征向量作为训练集，测试集为随机抽取的20个不同人脸朝向的图片的特征向量。具体程序如下：

％训练集/测试集产生

％产生图像序号的随机序列

rand_label＝randperm(M*N)；

％人脸朝向标号

direction_label＝repmat(1:N,1,M)；

％训练集

train_label＝rand_label(1:100)；

P_train＝pixel_value(train_label,:)’；

Tc_train＝direction_label(train_label)；

T_train＝ind2vec(Tc_train)；

％测试集

test_label＝rand_label(81:end)；

P_test＝pixel_value(test_label,:)’；

Tc_test＝direction_label(test_label)；

本方法中隐含层神经元个数设置为10。由于训练集数据是随机产生的，所以参数PC的设置需要事先计算得出，具体的程序为：

％创建LVQ网络

for i＝1:5

rate{i}＝length(find(Tc_train＝＝i))/100；

end

net＝newlvq(minmax(P_train),10,cell2mat(rate),0.01,’learnlv1’；

％设置训练参数

net.trainParam.epochs＝1000；

net.trainParam.goal＝0.001；

net.trainParam.lr＝0.1；

而后训练LVQ网络，具体程序为：

％训练网络

net＝train(net,P_train,T_train)；

最后进行人脸识别仿真测试，具体程序为：

％人脸识别测试

T_sim＝sim(net,P_test)；

Tc_sim＝vec2ind(T_sim)；

result＝[Tc_test；Tc_sim]

通过结果分析即可查看识别后的人脸朝向。

对本发明来说，创造性的选用了人脸识别技术用于车辆的防跟踪，同时兼顾成本问题，考虑到车载中央处理器达到识别分析能力极大提高了成本，创造性引入了云端处理器，利用车载处理器对图像进行简单的清晰度处理和压缩处理，再由网络连接上传至云端处理器中进行数据的分析、识别和判断。云端处理器首先识别车辆牌照和图像中人员的面部特征以及朝向，通过车牌识别和人员面部识别统计出后方车辆以及车辆中人员跟随我方车辆的时长，配合云端处理器还识别出后方人员的面部朝向，从而统计出的后方人员望向我方车辆的次数，综合对我方是否被跟踪作出比较精准的判断，并将判断结果发送至我方手机上进行预警。将每分钟后方车辆人员望向我方次数设定为n，跟随时长设定为t，根据行车情况作出讨论，包括换车不换人、换人不换车、换车换人三种不同情况，例如可将n值设定为5，当后方人员望向我方次数达到每分钟5次以上即可判定为跟踪嫌疑，后方车辆跟随时长t的跟踪判断阈值设置为10min至25min，具体为：设置换车不换人的跟随时长t为10min即可判定为跟踪嫌疑，配合后方人员望向我方次数n达到每分钟5次以上确定为跟踪；在换车不换人的跟随时长t达到15min以上即可判定为跟踪，此时配合望向我方车辆的次数n达到每分钟5次以上，确定跟踪，并进一步提高预警的声音，提高我方人员的高度注意；在换人不换车的情况下，跟随时长t达到10min，默认有跟踪嫌疑，进行标记，当达到15min以上时，认定有跟踪嫌疑，配合统计望向我方的次数n，若是n到达每分钟5次，确定为跟踪，进行预警；当换车换人的情况下，相对会出现较多的正常情况，将预警的跟随时长t的报警阈值提高至20min，达到跟随时长的阈值后，配合统计望向我方的次数，若是到达每分钟5次，确定为跟踪，进行预警。

进一步的，根据上述试验过程对本发明方法进行检测，进行多项试验查看本发明对防跟踪效果有无提升，测试数据如下表1和表2所示：

表1：基于人脸识别的车用防跟踪方法不同情况下的识别记录表

如表1所示，在换人不换车的情况下，通过人脸识别图像功能，判定跟随时间为10min为不跟踪情况，其中包含了一些实际情况的考虑，比如突然遇到难驾驶的路段，原先后方的驾驶员无法实现安全的驾驶，会出现换人不换车的情况，但当跟随时长达到15min以上后即可判定为跟随，本发明提供的技术可以实现精准的识别判断功能；在换车不换人的情况下，由于一般不会出现同一人驾驶不同车辆跟随的情况，此时提高安全警觉，判定为10min的跟随即为跟踪，本发明提供的技术可以实现精准的识别判断功能；在换人换车的情况下，由于行驶过程中经常出现后方车辆改变的情况下，可以根据实际情况将15min的跟随判定为无跟踪状态，15min以上判定为跟踪，以上三种情况均采用3个时间段的检测，实际记录表显示均可以根据预先的设置实现精准的识别和判断。

表2：基于人脸识别与基于车牌识别的精度对比表

如表2所示，与现有基于车辆牌照识别的技术相比较，本发明在换人不换车、换车不换人、换人换车的情况下均可以实现精准的识别判定，但基于车辆识别只能在不换车的情况下实现识别，未考虑多余情况，无法实现较好的防跟踪预警，存在安全隐患。

实施例2

请参阅图2，为本发明提供的基于人脸识别的车用防跟踪系统的第一个实施例：一种基于人脸识别的车用防跟踪系统，包括，

摄像模块100，用于采集车辆后方行驶车辆中人员的图像；

处理模块200，用于对图像进行清晰度处理和压缩处理，并将处理后的图像发送至云端服务器；

识别分析模块300，用于识别后方车辆人员的面部特征及朝向，统计分析后方车辆跟随的时长以及后方车辆人员望向我方车辆的次数；

判断预警模块400，用于接收识别分析模块300的分析结果，作出判断后发送至手机，实现预警。

进一步的，还包括调整模块500，用于在摄像模块100工作时，通过专用的手机软件查看拍摄的图像，并调整超高清摄像头的镜头取得最佳的拍摄效果。

其中，处理模块200具体包括：

图像清晰处理单元，用于将图像变得清晰；

图像压缩处理单元，用于压缩经过图像清晰处理单元处理的图像；

传送单元，用于将压缩的图像传送至云端服务器。

识别分析模块300具体包括：

识别单元，用于识别后方车辆人员的面部特征及朝向；

统计单元，用于根据识别单元的识别结果，统计出后方车辆跟随的时长以及后方车辆人员望向我方车辆的次数；

分析单元，根据统计单元给出的统计数据，作出分析结果。

本专利采用摄像模块100采集后方车辆图像(包含人脸特征、人脸朝向等信息)，车载的防跟踪设备将经过处理模块200处理过的图像通过无线通讯(4G、5G通讯技术)传输到云端服务器，由云端服务器基于人脸识别的技术，识别分析后方车辆的前排驾驶员、副驾乘坐员的面部特征及面部朝向，判断是否是跟踪者，并能锁定跟踪者，即使跟踪者跟换车辆进行跟踪，还可以识别出跟踪者。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于人脸识别的车用防跟踪方法，其特征在于：包括，

完成车用防跟踪装置的布置；

采集车辆后方行驶车辆中人员的图像；

将采集到的所述图像传送至防跟踪设备中；

通过所述防跟踪设备对所述图像进行清晰度处理和压缩处理；所述清晰度处理包括复制一层，将图层属性改为柔光，调整透明度；或复制一层，属性叠加，也调整透明度；或复制一层干净通道，通过光照感应装置探测色阶是否合格，调整色阶后照亮边缘，把不需要清晰的地方标记为黑色，点选该通道，回到图层，通过艺术效果滤镜进行清晰度的处理；所述压缩处理包括选用有损数据压缩，包括色度抽样和变换编码；

将处理好的所述图像发送至云端服务器；

通过所述云端服务器进行人脸识别和信息处理，并作出分析结果；所述信息处理包括识别面部特征及朝向，统计分析后方车辆跟随的时长以及后方车辆中的人员望向我方车辆的次数，云端服务器从图像中标定出人脸的位置和大小，提取详细的人脸特征数据，生成一个临时人脸ID，并与数据库中已有的每一个人脸ID的特征数据进行对比，若对比上已有人脸ID，则统计该人脸ID的累计跟随时间，若与已有人脸ID对比不上，则生成一个全新的人脸ID存储在数据库，同时记录该ID的跟随时间，实现后方车辆和人员跟随的时间统计；云端服务器从摄像头采集的图像中提取人脸图像，当人脸朝向不同时，人的眼睛在图像中的位置会有明显的不同，将人脸中人眼位置信息特征提取出来进行识别，即可识别人脸的朝向，通过分析人脸朝向，实现人脸朝向我方车辆的次数统计；

将所述分析结果发送至手机上，实现防跟踪的提醒；所述防跟踪的提醒包括，将每分钟后方车辆人员望向我方次数设定为n，跟随时长设定为t，根据行车情况作出讨论，包括换车不换人、换人不换车、换车换人三种不同情况，将n值设定为5，当后方人员望向我方次数达到每分钟5次以上即可判定为跟踪嫌疑，后方车辆跟随时长t的跟踪判断阈值设置为10min至25min，设置换车不换人的跟随时长t为10min即可判定为跟踪嫌疑，配合后方人员望向我方次数n达到每分钟5次以上确定为跟踪；在换车不换人的跟随时长t达到15min以上即可判定为跟踪，此时配合望向我方车辆的次数n达到每分钟5次以上，确定跟踪，并进一步提高预警的声音，提高我方人员的高度注意；在换人不换车的情况下，跟随时长t达到10min，默认有跟踪嫌疑，进行标记，当达到15min以上时，认定有跟踪嫌疑，配合统计望向我方的次数n，若是n到达每分钟5次，确定为跟踪，进行预警；当换车换人的情况下，相对会出现较多的正常情况，将预警的跟随时长t的报警阈值提高至20min，达到跟随时长的阈值后，配合统计望向我方的次数，若是到达每分钟5次，确定为跟踪，进行预警；

所述车用防跟踪装置的布置具体包括，安装所述防跟踪设备和超高清摄像头；所述超高清摄像头针对小车安装在车身后方挡风玻璃上方，针对大车安装在车身后方顶部，镜头方向朝向后方车辆；

通过连接线束将所述超高清摄像头接入至所述防跟踪设备，并开启供电；

所述手机通过WIFI无线连接接入所述防跟踪设备中；设置所述防跟踪设备接入至云端服务器；

所述手机通过WIFI无线连接接入所述防跟踪设备后，查看拍摄的所述图像，并调整所述超高清摄像头的镜头取得最佳的拍摄效果；

设置所述防跟踪设备接入至所述云端服务器时，通过车辆自带的无线上网功能连接入所述云端服务中；如车辆未配置无线上网功能则开启所述防跟踪设置自带的无线数据通讯功能使其连接入所述云端服务器中。

2.一种采用如权利要求1所述的一种基于人脸识别的车用防跟踪方法的系统，其特征在于：包括，

摄像模块(100)，用于采集车辆后方行驶车辆中人员的图像；

处理模块(200)，用于对所述图像进行清晰度处理和压缩处理，并将处理后的所述图像发送至云端服务器；

识别分析模块(300)，用于识别后方车辆人员的面部特征及朝向，统计分析后方车辆跟随的时长以及后方车辆人员望向我方车辆的次数；

判断预警模块(400)，用于接收所述识别分析模块(300)的分析结果，作出判断后发送至手机，实现预警；

调整模块(500)，用于在所述摄像模块(100)工作时，通过手机查看拍摄的所述图像，并调整所述超高清摄像头的镜头取得最佳的拍摄效果；

摄像模块100采集后方人脸特征、人脸朝向信息，车载的防跟踪设备将经过处理模块200处理过的图像通过无线通讯传输到云端服务器，由云端服务器识别分析后方车辆的前排驾驶员、副驾乘坐员的面部特征及面部朝向，判断是否为跟踪者，若是则锁定跟踪者，若否则正常运行；

所述处理模块(200)具体包括，

图像清晰处理单元，用于将所述图像变得清晰；

图像压缩处理单元，用于压缩经过所述图像清晰处理单元处理的所述图像；

传送单元，用于将压缩的所述图像传送至所述云端服务器；

所述识别分析模块(300)具体包括，

识别单元，用于识别后方车辆人员的面部特征及朝向；

统计单元，用于根据所述识别单元的识别结果，统计出后方车辆跟随的时长以及后方车辆人员望向我方车辆的次数；

分析单元，根据所述统计单元给出的统计数据，作出分析结果。