基于PCA的人臉識別研究報告(完整資料)

基于PCA的人臉識別研究報告(完整資料）(可以直接使用，可編輯優(yōu)秀版資料，歡迎下載）

基于PCA的人臉識別研究報告(完整資料）(可以直接使用，可編輯優(yōu)秀版資料，歡迎下載）項目名稱:基于PCＡ的人臉識別算法研究摘要隨著人類社會的進步，以及科技水平的提高，一些傳統(tǒng)的身份認證的方法逐漸暴露出各種問題,因此人們需要采用一種更加可靠安全的身份認證方法。毫無疑問人體的生物特征的獨一無二的,特別是其不容易丟失及復(fù)制的特性很好滿足了身份識別的需要。并且隨著計算機科學(xué)技術(shù)和生物醫(yī)學(xué)的發(fā)展使得利用生物特征識別成為了可能.因此基于指紋、人臉、視網(wǎng)膜等生物特征的識別方法也越來越多.由于人臉識別的操作快速簡單，結(jié)果直觀,準確可靠，不需要人的配合等優(yōu)點已成為人們關(guān)注的焦點。主成分分析（PCＡ)法通過提取高維度的人臉圖像的主元,使得圖像在低維度空間中被處理來降低了圖像處理的難度。由于其有效的解決了圖像空間維數(shù)過高的問題，已經(jīng)成為人臉識別領(lǐng)域非常重要的理論。此次研究的就是基于PCA的人臉識別算法的實現(xiàn)。本文按照完整人臉識別流程來分析基于PCA的人臉識別算法實現(xiàn)的性能.首先使用常用的人臉圖像的獲取方法獲取人臉圖像。本文為了更好的分析基于PCA人臉識別系統(tǒng)的性能分別選用了Esｓex人臉數(shù)據(jù)庫和OＲL人臉庫，并在后期采用了自建的人臉庫.接下來是人臉圖像預(yù)處理方法。由于采用的人臉圖像質(zhì)量較好，而且已經(jīng)做過相應(yīng)的預(yù)處理，所以本文試驗中只使用灰度處理.接著使用PCA提取人臉特征,使用奇異值分解定理計算協(xié)方差矩陣的特征值和特征向量以及使用最近鄰法分類器歐幾里得距離來進行人臉判別分類.在實驗中我們發(fā)現(xiàn)基于PＣＡ的人臉識別系統(tǒng)的識別率很高，而且具有一定魯棒性,所以基于PCA的人臉識別算法的實現(xiàn)的研究還是有意義?！娟P(guān)鍵詞】人臉識別PCA算法奇異值分解定理歐幾里得距離ABＳTRACTWiththｅdｅvelopmeｎtofsｃiｅnceaｎdtecｈnoloｇy,thepｒｏgｒｅsｓofhumaｎｓociety,thetradiｔionaｌidentiｆｉcatｉonisｅasyｔoｌｏsｅ,ｅasｙtobecrackeｄandithaｓｎotpｌａyanｉdｅntifｉablerole．Peｏpleneeｄamoｒesecuｒeandreliablｅidｅｎｔiｆicａt(yī)iｏntechnｏｌogy.Biomeｔrｉcｉsuniquｅ,eａsytoloseａnｄrｅplicａt(yī)iｏnｃharacteｒｉsｔicsｏfgoｏdmｅｅtthｅｎeｅｄsofｔｈeidentiｆicatiｏn。Wiｔｈｔｈedｅvelopmeｎtofｃompuｔeｒscienceaｎdｔechｎologｙandbｉomediｃａlmakesusｅｏfbiomeｔriciｄentｉfｉｃationhasbecomepossible.Inthｅfiｅldofbiomｅｔriｃｉdentifiｃation，facｅrｅcｏｇnｉtioｎwiththeaｄvａntａgesofopｅraｔionｉsfasｔａｎdsimｐlｅ，thereｓultsａreｉｎtuitive,accurａt(yī)eanｄreｌiａble,dｏnotneedco-ｏrdｉnaｔiｏn，hasｂecoｍetｈefｏｃｕｓofaｔtenｔｉon．Theprｉｎciｐａlｃｏmponentanaｌysis（PCA）toexｔracthighｄｉmenｓｉonａlfacｅｉmageofｔheｍaｉnelｅment，mａkingtheimａｇesａreprocｅssedinlｏw－dimensｉonalspacｅａndiｔreｄｕcｅstｈediｆficultyｏfimagｅpｒoｃｅsｓiｎg。PCＡsoｌvｅsefｆecｔivelｙtheｐrｏblemofｈigｈdｉmensioｎimagｅspaceaｎｄiｔhａsbecomeaveｒｙｉmportａnｔthｅoryinfaｃereｃogniｔionｆｉeｌｄ。Thiｓpaｐerｉsinthiscontｅxtofｗritinｇfrom。

InacｃｏrdanｃeｗiｔｈtｈefuｌlrｅｃognitionｐrｏcｅｓstoanａlｙzethｅｐerｆormancｅｏfＰCA—basedfacｅrecogniｔｉonalgｏrｉthm.Theｆｉｒsｔｔｏｕsetｈｅmeｔｈodofaccesstｏｃｏmmｏｎlｙｕsedfaceimagesfｏrfａcｅimages．InorderｔobettｅraｎalysiｓisbasedoｎthepｅrｆｏｒmａnceofthｅＰCAfaceｒｅcognitiｏnsyｓｔｅmseｌeｃtｅdEｓsexfaｃeｄａt(yī)ａbase。Nexｔisthｅｆaceimageprepｒocessingmethｏｄs.Essexfaｃｅimagｅqｕａlityisbettｅｒ,anｄhaｖedonetｈeａpprｏpriateｐrｅｔrｅatmeｎt，uｓiｎｇonlygｒay－ｓcaleｐrｏｃeｓｓingｏftｈistrial.TｈｅnuｓeｔheＰCAｆｏｒfacefeatureextracｔｉｏnｕsingｓｉngｕｌaｒｖaluｅdecoｍpositioｎtheoｒemｔocａｌｃulatethecovariancematrixoｆtheeigｅnvaluesandeigeｎvｅｃtors,andｕsetｈeＥuｃｌｉｄｅaｎdistancｅofthenｅａrｅstneｉgｈbｏｒclassiｆｉertｏｔheclａssifiｃationofhｕmａnfaceｄiscrｉminaｔiｏn。Iｎtheexpeｒimenｔ，wｅfoundｔhatａｈighｒｅcognitioｎratｅofthePCＡ—basedｆaｃｅｒecｏgｎiｔioｎsyｓteｍ,ｂuｔｗｉthａceｒtaｉnｒoｂｕstｎess，thePCA－baseｄfacereｃognitｉｏnalgoｒithｍtｏａcｈiｅvｅｍeaningfｕl?！綤eywords】faｃｅrecogｎｉｔioｎPCAalgoritｈmSＶＤEｕclｉdeandistance前言隨著社會和科技的發(fā)展，社會步伐的加快，人們對高效可靠的身份識別需求日益強烈。各種技術(shù)在科研和實際中都受到了很大的重視和發(fā)展。由于生物特征內(nèi)在的穩(wěn)定性和唯一性使其成為了作為身份識別的理想依據(jù)。人臉特征作為典型的生物特征外，還有隱蔽性好，易于被用戶接受,不需要人的配合等優(yōu)點?，F(xiàn)已成為了身份識別領(lǐng)域研究的熱點。PＣA算法通過降低維度，提取主元素,減少了數(shù)據(jù)冗余，解決了圖像緯度太高無法處理或處理很慢的特點，同時保持了原始圖像的絕大部分信息.在人臉識別領(lǐng)域，很多先進的識別算法都是在其基礎(chǔ)上的改進.所以研究基于PＣA的人臉識別算法實現(xiàn)具有重要的理論和使用價值.本文主要介紹基于PCA的人臉識別算法的實現(xiàn),先介紹了PＣＡ算法的理論基礎(chǔ)，其次介紹了其在數(shù)字圖像領(lǐng)域的應(yīng)用,最后結(jié)合具體研究詳述了研究過程。第一節(jié)主成分分析基本理論一、什么是主成分分析?主成分分析為Pｒincipｌecompoｎentaｎalｙsis[１0,11,12］的中文翻譯，其英文簡寫為ＰCA。它是一種非常流行和實用的數(shù)據(jù)分析技術(shù)，最重要的應(yīng)用是對原有數(shù)據(jù)進行簡化。主成分分析可以有效的找出數(shù)據(jù)中最“主要”的元素和結(jié)構(gòu)，去除噪聲和冗余，將原有的復(fù)雜數(shù)據(jù)降維處理，揭示出隱藏在復(fù)雜數(shù)據(jù)背后的簡單結(jié)構(gòu)。它的優(yōu)點是簡單，而且無參數(shù)限制，可以方便的應(yīng)用與各個場合.因此應(yīng)用極其廣泛，從神經(jīng)科學(xué)到計算機圖形學(xué)都有它的身影。PCA被稱為應(yīng)用線形代數(shù)最有價值的結(jié)果之一。二、基變換從線形代數(shù)的角度來看,PCA的目標就是使用另一組基去重新描述得到的數(shù)據(jù)空間。而新的基要能盡量揭示原有的數(shù)據(jù)間的關(guān)系.在這個例子中，沿著某x軸上的運動是最重要的。這個維度即最重要的“主元"。ＰCA的目標就是找到這樣的“主元”，最大程度的去除冗余和噪音的干擾.標準正交基標準正交基表現(xiàn)了數(shù)據(jù)觀測的一般方式。在線形代數(shù)中,這組基表示為行列向量線形無關(guān)的單位矩陣。(４.2）基變換從更嚴格的數(shù)學(xué)定義上來說，PCA回答的問題是：如何尋找到另一組正交基,它們是標準正交基的線性組合,而且能夠最好的表示數(shù)據(jù)集？在PCＡ方法中有一個很關(guān)鍵的假設(shè):線性。這是一個非常好的假設(shè),它使問題得到了很大程度的簡化,具體表現(xiàn)為數(shù)據(jù)被限制在一個向量空間中，能被一組基表示,并且還隱含的假設(shè)了數(shù)據(jù)間的連續(xù)性關(guān)系。這樣一來數(shù)據(jù)就可以被表示為各種基的線性組合。令X表示原數(shù)據(jù)集。Ｘ是一個m＊n的矩陣,它的每一個列向量都表示一個時間采樣點上的數(shù)據(jù)。Y表示轉(zhuǎn)換以后的新的數(shù)據(jù)集表示。P是他們之間的線性轉(zhuǎn)換。它們間的轉(zhuǎn)換關(guān)系為(4。3）有如下定義：pi表示Ｐ的行向量。xｉ表示Ｘ的列向量.yi表示Ｙ的列向量。上式（3）在線性代數(shù)中，它有如下的含義:P是從Ｘ到Ｙ的轉(zhuǎn)換矩陣。幾何上來說,P對X進行旋轉(zhuǎn)和拉伸得到Ｙ。Ｐ的行向量， (p1,p２，…，pm)是一組新的基，而Y是原數(shù)據(jù)X在這組新的基表示下得到的重新表示。下面是對最后一個含義的說明:（4．4）(4.5)注意到Y(jié)的列向量：(４．6)可見yi表示的是xi與P中對應(yīng)列的點積,也就是相當于是在對應(yīng)向量上的投影。所以，Ｐ的行向量事實上就是一組新的基.它對原數(shù)據(jù)X進行重新表示.問題在線性的假設(shè)條件下，問題轉(zhuǎn)化為尋找一組變換后的基，也就是P的行向量(p1，p２，…，ｐm），這些向量就是ＰＣＡ中所謂的“主元”。問題轉(zhuǎn)化為如下的形式：怎樣才能最好的表示原數(shù)據(jù)Ｘ?P的基怎樣選擇才是最好的?解決問題的關(guān)鍵是如何體現(xiàn)數(shù)據(jù)的特征。那么，什么是數(shù)據(jù)的特征，如何體現(xiàn)呢?三、協(xié)方差衡量如何選擇最優(yōu)的P基需要借助協(xié)方差來進行衡量和判斷：(4。９）A，B分別表示不同的觀測變量所記錄的一組值,在統(tǒng)計學(xué)中，由協(xié)方差的性質(zhì)可以得到:，且當且僅當觀測變量A,B相互獨立。，當A＝B等價的,將Ａ,Ｂ寫成行向量的形式:,協(xié)方差可以表示為（4.10)那么，對于一組具有m個觀測變量，n個采樣時間點的采樣數(shù)據(jù)X，將每個觀測變量的值寫為行向量，可以得到一個m＊n的矩陣:(4．11）接下來定義協(xié)方差矩陣如下：（4.１2)（4.1３)容易發(fā)現(xiàn)協(xié)方差矩陣具有如下性質(zhì)：eq＼o\ac（○,1）ＣＸ是一個ｍ*m的平方對稱矩陣。eｑ\o＼ac(○,2）Cｘ對角線上的元素是對應(yīng)的觀測變量的方差.ｅq＼o＼aｃ（○,3)非對角線上的元素是對應(yīng)的觀測變量之間的協(xié)方差。協(xié)方差矩陣CX包含了所有觀測變量之間的相關(guān)性度量。更重要的是，根據(jù)前兩部分的說明,這些相關(guān)性度量反映了數(shù)據(jù)的噪音和冗余的程度.在對角線上的元素越大，表明信號越強，變量的重要性越高;元素越小則表明可能是存在的噪音或是次要變量.在非對角線上的元素大小則對應(yīng)于相關(guān)觀測變量對之間冗余程度的大小.一般情況下，初始數(shù)據(jù)的協(xié)方差矩陣總是不太好的,表現(xiàn)為信噪比不高且變量間相關(guān)度大。PCA的目標就是通過基變換對協(xié)方差矩陣進行優(yōu)化,找到相關(guān)“主元”.那么，如何進行優(yōu)化？矩陣的那些性質(zhì)是需要注意的呢?協(xié)防差矩陣的對角化總結(jié)上面的部分可以發(fā)現(xiàn)主元分析以及協(xié)方差矩陣優(yōu)化的原則是：１）最小化變量冗余即對應(yīng)于協(xié)方差矩陣的非對角元素要盡量??；2）最大化信號即對應(yīng)于要使協(xié)方差矩陣的對角線上的元素盡可能的大。因為協(xié)方差矩陣的每一項都是正值,最小值為0,所以優(yōu)化的目標矩陣CY的非對角元素應(yīng)該都是0,對應(yīng)于冗余最小.所以優(yōu)化的目標矩陣CＹ應(yīng)該是一個對角陣。即只有對角線上的元素可能是非零值。同時，PＣA假設(shè)P所對應(yīng)的一組變換基必須是標準正交的，而優(yōu)化矩陣ＣY對角線上的元素越大,就說明信號的成分越大,換句話就是對應(yīng)于越重要的“主元”。對于協(xié)方差矩陣進行對角化的方法很多。根據(jù)上面的分析,最簡單最直接的算法就是在多維空間內(nèi)進行搜索：ｅq\ｏ＼ａc（○,1)在m維空間中進行遍歷,找到一個方差最大的向量，令作p１.ｅq\o＼ａc（○,2)在與ｐ1垂直的向量空間中進行遍歷，找出次大的方差對應(yīng)的向量記作p2ｅq\o\ac（○,３)對以上過程循環(huán)，直到找出全部m的向量。它們生成的順序也就是“主元”的排序。這個理論上成立的算法說明了PCＡ的主要思想和過程.在這中間，牽涉到兩個重要的特性:1）轉(zhuǎn)換基是一組標準正交基.這給PCA的求解帶來了很大的好處，它可以運用線性代數(shù)的相關(guān)理論進行快速有效的分解。這些方法將在后面提到。２）在PCA的過程中，可以同時得到新的基向量所對應(yīng)的“主元排序”,利用這個重要性排序可以方便的對數(shù)據(jù)進行簡化處理或是壓縮。四、PCA求解：特征根分解在線形代數(shù)中,PＣA問題可以描述成以下形式：尋找一組正交基組成的矩陣P,有Y=PＸ,使得是對角陣.則P的行向量(也就是一組正交基),就是數(shù)據(jù)Ｘ的主元向量。對進行推導(dǎo)：（4.１4)（４.15)定義，則Ａ是一個對稱陣。對A進行對角化求取特征向量得:（4。16）則D是一個對角陣而E則是對稱陣Ａ的特征向量排成的矩陣。這里要提出的一點是，A是一個m*m的矩陣，而它將有ｐ(p<=m)個特征向量.其中ｐ是矩陣A的的秩.如果p＜=m,則A即為退化陣.此時分解出的特征向量不能覆蓋整個m空間。此時只需要在保證基的正交性的前提下,在剩余的空間中任意取得m—p維正交向量填充Ｅ的空格即可。它們將不對結(jié)果造成影響。因為此時對應(yīng)于這些特征向量的特征值,也就是方差值為零求出特征向量矩陣后我們?nèi)?則，由線形代數(shù)知識可知矩陣P有性質(zhì),從而進行如下計算：(4.17）（４。１8）可知此時的P就是我們需要求得變換基.至此我們可以得到PCA的結(jié)果：X的主元即是的特征向量也就是矩陣P的行向量。矩陣對角線上第i個元素是數(shù)據(jù)X在方向的方差.我們可以得到PCＡ求解的一般步驟:ｅq\o＼aｃ（○,1）采集數(shù)據(jù)形成m＊n的矩陣。ｍ為觀測變量個數(shù),n為采樣點個數(shù)。eq＼o＼ac（○,2)在每個觀測變量(矩陣行向量）上減去該觀測變量的平均值得到矩陣X。ｅq\o\ac（○，3）對進行特征分解，求取特征向量以及所對應(yīng)的特征根。五、總結(jié)：PCA技術(shù)的一大好處是對數(shù)據(jù)進行降維的處理。我們可以對新求出的“主元”向量的重要性進行排序，根據(jù)需要取前面最重要的部分，將后面的維數(shù)省去,可以達到降維從而簡化模型或是對數(shù)據(jù)進行壓縮的效果。同時最大程度的保持了原有數(shù)據(jù)的信息。PCＡ方法和線形代數(shù)中的奇異值分解(SVD）方法有內(nèi)在的聯(lián)系，一定意義上來說，PCＡ的解法是SVＤ的一種變形和弱化。對于m＊n的矩陣X，通過奇異值分解可以直接得到如下形式：(4.１9）其中U是一個m*m的矩陣,Ｖ是一個n＊ｎ的矩陣，而是m＊m的對角陣。形式如下:(4.20）其中，是原矩陣的奇異值.由簡單推導(dǎo)可知,如果對奇異值分解加以約束：Ｕ的向量必須正交，則矩陣Ｕ即為PＣＡ的特征值分解中的E，則說明PCA并不一定需要求取，也可以直接對原數(shù)據(jù)矩陣X進行ＳＶＤ奇異值分解即可得到特征向量矩陣,也就是主元向量。六、在數(shù)字圖像處理中的應(yīng)用PＣA方法是一個具有很高普適性的方法，被廣泛應(yīng)用于多個領(lǐng)域。這里要特別介紹的是它在數(shù)字圖像處理中的應(yīng)用，包括如何對圖像進行處理以及在人臉識別方面的特別作用.數(shù)據(jù)表示如果要將PCA方法應(yīng)用于視覺領(lǐng)域,最基本的問題就是圖像的表達.如果是一幅N＊N大小的圖像，它的數(shù)據(jù)將被表達為一個維的向量：（4。21）在這里圖像的結(jié)構(gòu)將被打亂,每一個像素點被看作是一維,最直接的方法就是將圖像的像素一行行的頭尾相接成一個一維向量。還必須要注意的是,每一維上的數(shù)據(jù)對應(yīng)于對應(yīng)像素的亮度、灰度或是色彩值，但是需要劃歸到同一緯度上。模式識別假設(shè)數(shù)據(jù)源是一系列的2０幅圖像,每幅圖像都是大小N*Ｎ，那么它們都可以表示為一個維的向量。將它們排成一個矩陣：(４.22）然后對它們進行PCA處理,找出主元.為什么這樣做呢?據(jù)人臉識別的例子來說，數(shù)據(jù)源是２0幅不同的人臉圖像，PCＡ方法的實質(zhì)是尋找這些圖像中的相似的維度,因為人臉的結(jié)構(gòu)有極大的相似性(特別是同一個人的人臉圖像）,則使用PCＡ方法就可以很容易的提取出人臉的內(nèi)在結(jié)構(gòu)，也就是所謂的“模式"，如果有新的圖像需要與原有圖像比較，就可以在變換后的主元維度上進行比較,衡量新圖與原有數(shù)據(jù)集的相似度如何。對這樣的一組人臉圖像進行處理,提取其中最重要的主元,可以大致描述人臉的結(jié)構(gòu)信息，稱作“特征臉”（EｉｇenFacｅ）.這就是人臉識別中的重要方法“特征臉方法"的理論根據(jù)。近些年來,基于對一般PCA方法的改進，結(jié)合ICA、keｒneｌ—ＰCＡ等方法，在主元分析中加入關(guān)于人臉圖像的先驗知識,則能得到更好的效果。圖像信息壓縮使用PCA方法進行圖像壓縮，又被稱為KａｒhuｎenandＬeｏve(KL）變換。這是視覺領(lǐng)域內(nèi)圖像處理的經(jīng)典算法之一。具體算法與上述過程相同，使用ＰCＡ方法處理一個圖像序列,提取其中的主元.然后根據(jù)主元的排序去除其中次要的分量，然后變換回原空間,則圖像序列因為維數(shù)降低得到很大的壓縮。例如上例中取出次要的5個維度，則圖像就被壓縮了１/4。但是這種有損的壓縮方法同時又保持了其中最“重要”的信息，是一種非常重要且有效的算法。第二節(jié)人臉識別流程人臉識別系統(tǒng)處理流程一、人臉圖像采集采集人臉圖像是通過傳感器采集人臉圖像,并將其轉(zhuǎn)換為計算機可以處理的數(shù)字信號。這是人臉識別的第一步。在采集人臉圖像時,要注意用戶人臉姿態(tài)，臉部有無遮擋，周圍光照是否滿足要求及設(shè)備采集圖像的質(zhì)量是否能滿足要求。二、預(yù)處理預(yù)處理是為了除去噪聲和對測量儀器或其他因素對人臉圖像造成退化現(xiàn)象進行復(fù)原。從傳感器采集到圖像除了包含人臉特征信息，還包含背景信息,所以必須從原始人臉圖像分割出我們要處理的部分。如何分割就需要定位和分割算法。他們一般以人臉圖像在圖像結(jié)構(gòu)和人臉信號分布的先驗知識為依據(jù).常用的人臉預(yù)處理有人臉圖像灰度化,人臉圖像二值化，人臉圖像歸一化,直方圖修正，圖像濾波和圖像銳化。三、特征提取特征提取就是計算機通過提取人臉圖像中能夠凸顯個性化差異的的本質(zhì)特征,進而來實現(xiàn)身份識別。本文講解如何使用PCA算法提取人臉特征，進而實現(xiàn)人臉識別。特征主要包括三種類型:物理特征，結(jié)構(gòu)特征和數(shù)學(xué)特征。由于物理特征和結(jié)構(gòu)特征容易被察覺，觸覺以及其他感覺器官所感知，所以人類常常是利用這些特征來對對象進行識別。對于計算機而言，模擬人類的感覺器官是很難實現(xiàn)的,但計算機在處理數(shù)學(xué)特征的能力上要比人類強得多，因此我們通過諸如協(xié)方差矩陣,統(tǒng)計平均值和相關(guān)系數(shù)等數(shù)學(xué)特征來構(gòu)建人臉識別系統(tǒng).特征提取和選擇的根本任務(wù)就是從許多特征中找出那些最有效的特征。在樣本數(shù)不是很多的情況下，可以利用這些特征進行分類器的設(shè)計,但是在大多數(shù)情況下，由于測量空間的維數(shù)很高，不能直接進行分類器的設(shè)計。因此,如何把高維測量空間壓縮到低維特征空間，以便有效的設(shè)計分類器，便成為了一個值得思考的問題。為了獲得有效的特征,一般需要經(jīng)過特征形成，特征提取和特征選擇等步驟。特征形成特征形成是根據(jù)被識別對象產(chǎn)生出一組基本特征的過程，當被識別的對象是波形或數(shù)字圖像時,這些特征可以通過計算得來；當被識別對象是實物或某種過程時，這些特征可以用儀表或傳感器測量來得到。通過上面方法獲得特征被稱為原始特征。特征提取原始數(shù)據(jù)組成的空間被稱為測量空間.由于測量空間的維數(shù)一般都很高，不易設(shè)計分類器，所以在分類器設(shè)計之前，需要從測量空間變換到維數(shù)很少的特征空間，由特征向量表示。通過映射或變換方法用低緯空間來表示樣本的過程被稱為特征提取。映射后的特征稱為二次特征，它們是原始特征的某種組合,通常是線性組合.特征選擇從一組特征中挑出一些最有效的特征從而達到降低特征空間維數(shù)目的的過程稱為特征選擇。由于在許多實際問題中常常不容易找到那些最重要的特征,或者由于條件限制而不能對這些重要特征進行測量。從而使得特征選擇和特征提取的任務(wù)復(fù)雜化.特征提取和特征選擇在有些情況下并不是截然分開的，因為從一定意義上來講，二者都是要達到對數(shù)據(jù)進行降維的目的，只是實現(xiàn)的途徑不同.特征提取是通過某種變換的方法組合原有的高維特征,從而得到一組低維的特征。而特征選擇是根據(jù)專家的檢驗知識或評價準則來挑選對分類最有影響的特征。比如可以先將原始特征空間映射到維數(shù)較低的空間,在這個空間中在進一步選擇特征來進一步降低維度；也可以先去除那些明顯不含有分類信息的特征，而后再進行映射以降低維度。四、特征匹配特征匹配是計算兩個人臉圖像特征樣本的特征模塊間的相似度即將采集到的人臉圖像的特征模版與系統(tǒng)中已存儲的特征模版進行比對,并輸出最佳匹配對象。在本文主要講解使用最近鄰法分類器歐幾里得距離來判別人臉圖像，在實際廣泛使用的還有基于SVM即支持向量機,基于神經(jīng)網(wǎng)絡(luò)和圖匹配的方法.第三節(jié)基于ＰCA人臉識別算法的實現(xiàn)主成分分析為一種統(tǒng)計學(xué)中特征提取方法，在實際中應(yīng)用的非常廣泛。ＰCＡ是通過提取原始數(shù)據(jù)的主元來減少數(shù)據(jù)的冗余，使數(shù)據(jù)在低維度的空間中被處理，同時它還能很好保持了原始數(shù)據(jù)的絕大部分信息，有效的解決了由于空間維數(shù)過高而導(dǎo)致的一系列問題.如下將詳細介紹如何使用PCA算法進行人臉識別。一、創(chuàng)建數(shù)據(jù)庫在本環(huán)節(jié)中主要分為兩個階段，分別為：讀入系統(tǒng)人臉數(shù)據(jù)庫,并將圖像變換為相應(yīng)的灰度圖像（a）（b）圖（a）圖像為系統(tǒng)人臉數(shù)據(jù)庫中的原始人臉圖像，（b）圖像為經(jīng)過灰度轉(zhuǎn)換后的人臉圖像同時將變換后的二維人臉灰度圖像變換為一維人臉向量矩陣一個大小為M＊Ｎ的二維人臉圖像可以看成長度為MN的人臉圖像列向量。為了將二維人臉圖像變?yōu)橐詾榱邢蛄?，我們采取的措施為：首先計算出人臉圖像的大小，然后將人臉圖像經(jīng)行轉(zhuǎn)置，最后按列依次取出取出所有灰度值形成大小為MN的一維向量，其實整個階段的效果相當于將圖像的灰度值按行取出依次連接成一維圖像向量。本環(huán)節(jié)完成后將會產(chǎn)生由一維圖像向量組成的矩陣T.二、計算特征臉本環(huán)節(jié)主要包括三個階段，分別為:對圖像矩陣Ｔ進行規(guī)范化首先計算出圖像矩陣中一維列向量的平均值m,然后對圖像矩陣的每一列都減去平均值形成規(guī)范化的圖像矩陣A。計算特征臉人臉訓(xùn)練圖像的協(xié)方差矩陣為,其中人臉訓(xùn)練樣本為，維度為，則協(xié)方差矩陣Ｃ的維度為。這就出現(xiàn)問題，C的維度過高，在實際中直接計算它的特征值和特征向量非常困難.因此，本文使用奇異值分解定理來解決這個問題.奇異值分解定理:假設(shè)B為維秩為p的矩陣，則存在兩個正交矩陣和一個對角矩陣：正交矩陣為(４．２3）(4.24)其中（4。25）(4。26）對角矩陣為則可以得到，而且和有共同的非零特征值，和分別為和對應(yīng)特征值的正交特征向量。由上述定理可以得到（4。27)則可以由協(xié)方差矩陣,構(gòu)造出矩陣，從而容易求出L的特征值和特征向量,再根據(jù)上述（４—27)式可以求得協(xié)方差C的特征值和特征向量.實際上我們并不需要協(xié)方差所有的特征值和特征向量，m個(m〈M,M為特征值的數(shù)目）個特征值足夠用于人臉識別。所以，實際操作中，只取L的前m個最大特征值對應(yīng)的特征向量用于計算特征臉。在本環(huán)節(jié),本文通過直接構(gòu)造，來計算出L的特征值，再挑選Ｌ特征值大于１00的作為C的特征值，最后通過C的特征值計算出它的特征向量,從而形成特征臉。三、人臉識別人臉識別過程分為訓(xùn)練和測試兩個階段.在訓(xùn)練階段,主要是提取數(shù)據(jù)庫人臉圖像的特征，并形成特征庫。在測試階段，主要是提取待識別圖像的特征和計算提取的特征和特征庫中特征之間的距離測度,并輸出最小距離測度對應(yīng)的人臉圖像作為結(jié)果.具體步驟如下：訓(xùn)練階段將規(guī)范化的圖像矩陣A中的每一列向量投影到特征子空間，形成特征庫。測試階段eq\o\ac（○,1)假設(shè)測試人臉圖像為Y，在人臉識別前，先對其進行標準化,即.eq\o\ac（○,2)把標準化后的人臉圖像向特征子空間進行投影得到向量.eq\o＼ac(○，3)本文使用最近鄰法分類器歐幾里德距離［14,15]進行判決分類。測試圖像與每個人臉圖像間的距離為（k=1，2，…，P)，并將最小距離對應(yīng)的訓(xùn)練圖像作為測試圖像的匹配圖像。可以看出，在人臉姿態(tài)、表情有略微變化的情況下依舊可以成功識別出正確的人臉。人臉姿態(tài)發(fā)生變化下的人臉識別結(jié)果人臉表情變化下的人臉識別結(jié)果之后我們利用ＯRL人臉庫和自建人臉庫分別進行了測試。在OＲＬ人臉庫的識別過程中,我們選取了20個人，每人4張照片作為訓(xùn)練樣本。并對這20個人每人另取了一張照片作為測試樣本.每個人測試后最終統(tǒng)計成功識別17個人，識別失敗3人。因為我們采用的是最近鄰法分類器歐幾里德距離進行判決分類，因此對于識別失敗的人同樣會顯示與其距離最小的照片。為了解決這個問題，我們決定在該判決分類的基礎(chǔ)上加上閾值限制，當最小歐幾里德距離高于某個值時，不再顯示最近鄰的照片，而是顯示“無法識別”的提示。成功識別如下：當用訓(xùn)練集以外的人的圖像進行測試時,歐幾里德距離大于閾值，顯示無法識別。接下來我們對歐幾里得距離的閾值進行了一定的選取測試。如下圖所示當閾值選取較大時（閾值取9*１0^１5)，圖像可以更好的識別出來，但是此時不可避免的就是降低人臉識別的準確率，因此個別測試圖像因為不標準而與訓(xùn)練庫中某些圖像的距離更小,就造成了識別錯誤。如下圖所示,此時由于兩幅圖像的歐幾里得距離更小,因而系統(tǒng)顯示識別正確，其實是錯誤的。以測試圖像3。ｊpg為例。而當閾值設(shè)定比較小時（閾值取4.5＊10^1５）,可以看到上面的測試圖像３。jpg無法再識別成功，因為沒有足夠近距離的訓(xùn)練樣本。盡管1７.jpg訓(xùn)練樣本與3．jpｇ測試圖像歐幾里得距離最小，但因不在閾值范圍內(nèi)故表明不是匹配的圖像.同樣當閾值減小后，之前成功識別的11。ｊpg圖像無法再成功識別出來。綜上所述,再選定歐幾里得最近距離判定距離時要考慮不能選取過大,降低成功率。因此我認為在建立人臉庫時，盡量使所有的圖像在相同的背景下進行采樣，這樣可以時每個人的測試圖像和訓(xùn)練圖像間的歐幾里得距離均處在較小的范圍內(nèi)，可以提高準確率。此外，我們嘗試用稍微側(cè)斜和表情夸張的樣本照片進行人臉識別。當側(cè)臉和表情夸張照片作為測試樣本時,程序依舊可以成功識別出對應(yīng)的人臉照片,然而當這些側(cè)臉和表情夸張的照片作為訓(xùn)練樣本中的圖像時,可能會影響其他測試圖像的識別成功率，因為我們沒有對側(cè)臉進行研究，因此將問題放在后續(xù)工作中解決。結(jié)論本文研究的是基于PCA的人臉識別算法的實現(xiàn).在試驗中采用的人臉數(shù)據(jù)庫為Essexfacｅs９4人臉數(shù)據(jù)庫和自建的人臉數(shù)據(jù)庫，人臉特征提取算法為PCA算法，分類方法采用的是最小距離分類法.通過實驗發(fā)現(xiàn)在無光照變換，正面姿態(tài)，少量遮擋情況下，基于PＣA的人臉識別系統(tǒng)的識別率很高，而且反應(yīng)很迅速。當然也存在著一些問題,例如本文對圖像的光照變化,其他姿態(tài)沒有進行考慮，但實際中這是無法忽略的問題，有可能會導(dǎo)致人臉識別識別率減小.為了進一步提高基于PＣA的人臉識別系統(tǒng)的性能和適應(yīng)性,我們可以通過以下幾個方面進行改進：改進圖像獲取方法:我們可以通過使用人臉檢測和跟蹤算法,在圖像獲取的時候，動態(tài)跟蹤和檢測人臉，只采集最佳姿態(tài)下的人臉圖像。這在一定程度可以解決姿態(tài)所引起的問題,但也同時對系統(tǒng)的檢測和跟蹤人臉的反應(yīng)時間提出較嚴格的要求。如果反應(yīng)時間較長，對于快速移動的人臉可能錯過采集最佳姿態(tài)的圖像,而導(dǎo)致系統(tǒng)無法識別人臉。改進人臉識別特征提取算法：基于PCＡ的人臉識別雖考慮了人臉圖像間的差異，但是不能區(qū)分這種差異是由光照，發(fā)型變更或背景導(dǎo)致，還是人臉的內(nèi)在差異，因此特征臉的識別方法在理論上存在一定的缺陷。究其原因是人臉圖像中所有像素都處于同等地位，在角度，光照，尺寸和表情變換可能會導(dǎo)致性能急劇惡化。采用同一個人的訓(xùn)練樣本的平均來計算人臉圖像類間散布矩陣可在一定程度上補償這個缺點。同時也可以對輸入的人臉圖像做規(guī)范化處理,主要包括對人臉圖像做均值方差歸一化,人臉尺寸歸一化。另外還可以在計算特征臉的同時利用K－Ｌ變換計算特征眼睛和特征嘴，然后將這些局部特征向量加權(quán)進行匹配，也可以將人臉圖像分塊進行PCＡ算法的比較，使各塊的歐幾里得距離都小于一定閾值時方可以成功識別人臉，這樣可能會得到更好的結(jié)果。我們也可以將人臉進行差異化分類，可分為臉間差異和臉內(nèi)差異.臉內(nèi)差異表示同一個人臉的各種可能變形。臉間差異表示不同人的本質(zhì)差異.在實際中，人臉圖像的差異為兩者之和。若臉內(nèi)差異大于臉間差異，則認為兩個人臉圖像屬于一個人的可能性較大.改進人臉識別的分類器:最近鄰法分類器屬于一種線性分類器.在實際中可以利用神經(jīng)網(wǎng)絡(luò)這類學(xué)習(xí)能力強的非線性分類器對高維人臉識別可能會取得更好的效果。綜合不同的人臉識別方法：在目前，僅僅單獨采用一種現(xiàn)有的人臉識別方法一般都不會取得很好的識別效果。各種技術(shù)和方法都有自己不同的適應(yīng)環(huán)境和各自的特點。如果我們想進一步提高人臉識別系統(tǒng)的識別率，可以考慮使用數(shù)據(jù)融合理論，將不同的方法綜合起來，相互補充,來取得很好的人臉識別效果。這也是為人臉識別的研究趨勢之一。參考文獻張翠平，蘇光大。人臉識別技術(shù)綜述[J］．中國圖像圖形學(xué)報,2000，5(11):56-58．龔勛.PCＡ與人臉識別即其理論基礎(chǔ)[J].微計算機信息，20０７，3２（15）：１－7．程自龍,雷秀玉。基于Ｋ—L變換(ＰCA）的特征臉人臉識別方法綜述[J]。中國圖像圖形學(xué)報，2010，20（２2）：15－18.倪世貴，白寶剛。基于PCＡ的人臉識別研究［J]．現(xiàn)代計算機，2011,23（4２)：2０-2２．徐飛。Matlａb應(yīng)用圖像處理[Ｍ］。西安:西安電子科技大學(xué)出版社，2０05．王映輝．人臉識別：原理，方法與技術(shù)[Ｍ］．北京：科學(xué)出版社，2010．高曉興,李仁睦，王文佳.基于人臉分類和K—L變換的人臉識別新方法［J]．微計算機信息，2０10,26（３）：3—６.田印中,董志學(xué)，黃建偉．基于ＰCＡ的人臉識別算法研究及實現(xiàn)［Ｊ].內(nèi)蒙古科技與經(jīng)濟，2010,4（20８）：15－１８．劉學(xué)勝?；赑CA和SVM算法的人臉識別［J］.計算機與數(shù)字工程，20１1,14（３):5６－5８．盛驟，謝式千,潘承毅．概率論與數(shù)理統(tǒng)計［M］．北京：高等教育出版社，200８。陳惠明．圖像歐氏距離在人臉識別中的應(yīng)用研究［J］.計算機工程與設(shè)計,２008，3（14）:22—2５．附程序代碼：mａiｎ。mclearａllclcｃloseallＴrａiｎDaｔabａseＰath=（'E:\train'）；TestＤatabasｅPaｔh=（'E：\test＇）；ｐｒｏmｐt=｛'Enｔeｒtestｉmageｎａme:'｝;dlｇ_tiｔle='ＩnｐuｔofPＣＡ－ＢａｓｅdFａcｅRｅcｏｇnｉtionＳystem';num_liｎes＝1;ｄef={'1’｝；TeｓtＩmage=iｎpuｔｄlg（pｒomｐt，dlg_titｌe，num＿linｅｓ，ｄeｆ）；TestImagｅ＝sｔrcat（TestＤatａbasePath,’\＇，chaｒ（TeｓtImage)，＇。jpg’)；iｍ＝iｍrｅad（ＴｅstIｍage)；T=CreaｔeＤａｔabａse(TrａｉｎDａｔａbasｅPａt(yī)ｈ)；［m，A,Ｅigenｆacｅｓ］＝ＥigｅnｆaceCore(T）；[OutputＮaｍe，Euc_dｉst_min］=Rｅcogniｔion(TeｓtImaｇｅ,m,A,Eiｇenfaceｓ）；ＳelectedＩmａｇｅ＝strcａｔ(ＴrainＤatabasｅPaｔh，’＼＇，OuｔpｕtＮame）;SelectedＩｍage=ｉｍread（ＳｅlecｔedImａge)；if(Euc_disｔ_ｍｉn＜=4.5＊10^１5)imsｈow（im）titｌe（'ＴｅstImａgｅ＇）；figure,ｉmshow(ＳeｌectedImaｇe);title(’EquivａｌeｎtImage’）；sｔr=ｓtrcat('Matcheｄｉmａgeｉs：＇，OuｔputNａｍe)；ｄiｓｐ（str）Ｅuc_dist＿minendif(Eｕc_ｄiｓt_miｎ〉4.5＊10^15）stｒ=strcat(’?T·¨ê?±e?！??ó?üμ?ê?￡o'，ＯutputNaｍｅ）；disp（str）Euc_dist＿mｉnEnｄCreateDaｔａbasｅ.ｍｆｕｎctionT=CreａｔeDataｂasｅ（TrainＤatabasePath）TｒａinＦiｌes=ｄｉr(TrainDataｂａseＰath）；Tｒain_Number=0；foｒi=1：ｓiｚｅ(ＴｒａｉnFiｌes,１)ifnot（strcｍp(TraiｎＦilｅs(i）．naｍe，'。＇）|stｒｃmｐ（TｒaiｎＦｉｌes(i).ｎaｍe,'.。＇)|sｔrｃmｐ(TrainFｉles（i）.ｎamｅ，＇Thuｍbs．dｂ＇）)Train_Ｎumbｅr＝Ｔrａiｎ_Nｕmｂer+１;enｄｅndT=［］；fｏri=1:Train_Nｕmbeｒstr＝ｉｎt2str(ｉ)；ｓｔｒ=stｒcａt(yī)(＇\’,str,'.jpg')；stｒ=strcat(TrａinＤataｂaｓeＰath，ｓtr);img＝imread（str)；imｇ=rgb2gray（img);[irowicol]＝ｓize(imｇ)；ｔemｐ＝ｒeｓhａpe（img＇，iｒow*ｉcol，1）；Ｔ=［Ttｅmp];ｅｎdEｉgeｎfaceＣoｒe。mfuncｔiｏn[ｍ，A,Eiｇenfacｅｓ]=ＥigenfａｃeＣoｒe（T）m＝meaｎ（T，2)；Traｉn_Numｂer=size（Ｔ,2);A=[]；fｏri=1:Trａin_Numberｔeｍｐ=double（T(:，i））—m；Ａ=［Atemｐ］；endL=A’*A；[ＶD］=eig(L）；L_eig_vｅc＝[];fori=1：ｓize（V,２）if（D（i,i）〉1)L＿eig_vec＝［L_eiｇ_vecV（:,i）]；enｄｅndEiｇeｎfaces=A*L_eiｇ_ｖec;Recｏｇniｔion。ｍfunｃtion［OutｐuｔName,Euc_dist_ｍin］=Rｅcｏgnｉｔion（ＴｅstＩmage，m,A，Eigenｆaces)PrｏjｅｃｔｅdImages=[］;Train_Nｕmbｅr=size(Eｉgenｆａces，2);ｆoｒi＝1：Train＿Numbｅrtemp＝Eｉｇｅnｆaces＇＊A（：,ｉ）；PｒojeｃtedImages=［ProjectedＩmagｅstemp]；ｅndInputＩｍagｅ=imread（TeｓtIｍagｅ）;％ｔemｐ=InputImage;ｔemｐ=rgb2graｙ（InpｕtＩmage）；％temp=IｎputＩmagｅ(：，:，1）;［iroｗｉcoｌ］=size（tｅmp）；ＩnImaｇe＝resｈape（temp＇，ｉrow＊icol,１);Differencｅ=ｄoubｌe（InImage)-m;ProｊeｃtｅｄＴｅsｔIｍagｅ=Eiｇenfaｃes＇＊Ｄifference；Ｅuc_diｓt=［］;fori=1：Trａｉｎ_Nｕmbeｒq=PｒｏｊectedＩmages（：，i）;temｐ=(norm(ＰrｏjｅcteｄTestImａge—q))＾2；Ｅuc＿disｔ=［Euc＿diｓttｅmp］;end［Euc＿dist_min,Recognｉzed_inｄeｘ］=mｉn(Euc_dｉst);ＯｕtputName=ｓｔｒcat(ｉnt2sｔr(Recoｇｎizeｄ_ｉndex），＇.ｊｐg＇）；基于mａt(yī)laｂ程序?qū)崿F(xiàn)人臉識別１.人臉識別流程１.１.1基本原理基于ＹCbCr顏色空間的膚色模型進行膚色分割.在YCbCr色彩空間內(nèi)對膚色進行了建模發(fā)現(xiàn),膚色聚類區(qū)域在Cb—Cｒ子平面上的投影將縮減,與中心區(qū)域顯著不同。采用這種方法的圖像分割已經(jīng)能夠較為精確的將人臉和非人臉分割開來。1。1.2流程圖人臉識別流程圖人臉識別程序人臉和非人臉區(qū)域分割程序funｃtionrｅsｕlt＝skiｎ(Y，Cｂ,Cr)％SＫINＳummａrｙoftｈisfuncｔiongoeshｅre%Dｅtａilｅdexplanaｔioｎgoesｈereａ=2５。3９；b=14。03；ecx＝1.60；ｅcy=2．４１；sｉta=2．53;cx=109．３8;ｃy=15２。0２；ｘｉshu=[cos(siｔa）sin（sita）；—siｎ（sitａ）cos(ｓｉta）]；%如果亮度大于23０，則將長短軸同時擴大為原來的1.1倍if(Y>23０）a=1.１*ａ；b=1.１*b；ｅｎｄ％根據(jù)公式進行計算Cb=doｕｂle(Cb）;Cr=doｕble（Cｒ)；t＝[（Cｂ-ｃx）;（Cr-cy)］;temp=ｘishｕ＊t;valｕｅ=（temp(1)—ｅcｘ)^2/a^２＋（temp(2）—ｅcy）^2/b^2；%大于1則不是膚色，返回0;否則為膚色，返回1ifｖａｌue〉１ｒesuｌｔ=0;elsereｓult=1；ｅndｅnｄ人臉的確認程序ｆunctioneyｅ=finｄｅye（ｂImagｅ，x,y，w,h）％FＩＮDEＹESummaryofthiｓfunctiongoeshere%Deｔailedexplanａt(yī)ioｎgｏeshereparｔ＝zeros（ｈ,ｗ)；%二值化fori＝y(tǒng):(ｙ＋h）forj=ｘ:（x+ｗ）ifbImａgｅ（i,j）＝=0ｐart（i－ｙ+１,j-x+1）=255;elｓepａrt(i－y＋1，ｊ-ｘ+１）＝０；endendeｎｄ［L,num]=bwlａbｅl(ｐａrt,8）；%如果區(qū)域中有兩個以上的矩形則認為有眼睛ｉfnum＜2eye＝0；ｅｌsｅeye=1；endｅnd人臉識別主程序clｅarall;％讀入原始圖像I＝iｍread（’faｃｅ3.ｊpg’）；gray=rgb2gray(I）；yｃbcr=rgｂ２ycbcｒ（I）;％將圖像轉(zhuǎn)化為ＹCbCr空間hｅighth＝size（gray,1)；%讀取圖像尺寸ｗｉdth=sｉze(grａｙ，2）；fori=1：heighth％利用膚色模型二值化圖像forj=1:ｗｉdthＹ=yｃbcr(i，j，1）；Cｂ=yｃbｃｒ(ｉ,j,2）；Cr=ycbcｒ（i，j，3）;if（Y〈８0）ｇｒａy(i，j)=０;ｅlseif（skin（Ｙ，Cｂ，Cr）＝=１)%根據(jù)色彩模型進行圖像二值化grａｙ(ｉ，ｊ）＝255；elseｇray（ｉ,j)=０;endendenｄendｓｅ=ｓｔreｌ('aｒbitrary'，eｙe（５));%二值圖像形態(tài)學(xué)處理gｒａｙ＝iｍｏpｅｎ(ｇｒaｙ，se);fiｇure;imshoｗ(ｇraｙ）［Ｌ,num］=bｗlaｂel（graｙ，８);％采用標記方法選出圖中的白色區(qū)域stａt(yī)s=regionpｒops(L,'BoｕndｉｎgＢox＇)；%度量區(qū)域?qū)傩詎=1；%存放經(jīng)過篩選以后得到的所有矩形塊reｓｕlt＝zerｏｓ（ｎ，４）;fｉgure,iｍshow（I）;hｏlｄｏn；forｉ＝1：num%開始篩選特定區(qū)域boｘ=stats(i）.BoundingBoｘ；x=box（1);％矩形坐標Xｙ=ｂｏx（2）；％矩形坐標Yｗ=ｂox(３）;%矩形寬度wh=ｂｏx(4)；％矩形高度ｈraｔio=h/w；%寬度和高度的比例ｕｘ=uｉｎt１6(x）;ｕy＝uｉｎt8（y);ifux>1uｘ＝uｘ-1；endｉｆuy＞1uy＝ｕy—1；enｄｉfｗ〈20｜｜ｈ＜2０|｜w*h＜400％矩形長寬的范圍和矩形的面積可自行設(shè)定ｃoｎｔinueｅｌseｉｆrａｔio＜2&&ratio＞0．6&&fiｎdeye(gray，ｕx,ｕｙ，w,h)==１％根據(jù)“三庭五眼”規(guī)則高度和寬度比例應(yīng)該在（0。6,2)內(nèi)；resuｌt(n,：)=[ｕｘｕywｈ］；n=n+１；endeｎdifsize(ｒeｓulｔ，1）=＝1&&ｒｅsuｌt(1，１）〉0％對可能是人臉的區(qū)域進行標記ｒectangｌe(’Position’，[result（1,1），resｕｌt（1,2)，ｒｅsｕlt（1，3),resulｔ（１,4）],'EdgeColor'，’r＇);elsｅ%如果滿足條件的矩形區(qū)域大于１，則再根據(jù)其他信息進行篩選a＝０；arr1=［]；arr2＝[];foｒm＝1：sizｅ（rｅsult,1)m1=result（m，1）;m2=resｕlt(m,2）；m3＝rｅsult(m，３）；ｍ４=result（ｍ，４);%得到符合和人臉匹配的數(shù)據(jù)ifｍ１＋ｍ3<widｔｈ＆&m2+m４<heｉgｈth＆＆m3〈０.2*ｗｉｄtha=a+1;ａrr１（a）=m3；arr2（a)=m４;%rectangle(＇Positiｏn'，［m１,m2,m3，ｍ4],＇EｄgeＣoｌor＇，’r’）；enｄeｎd%得到人臉長度和寬度的最小區(qū)域arr３=[];arr3＝sｏｒt（ａrr1,'ascend’);ａrr4=[]；arr４=sort(arr2,’asｃeｎｄ'）;％根據(jù)得到的數(shù)據(jù)標定最終的人臉區(qū)域form＝1:sizｅ(result，1）m1=resｕｌt（m，1);ｍ2=result（m，2）；m３=result（m，3)；m4=resｕlt(ｍ，4）；％最終標定人臉iｆｍ１＋m3〈wiｄtｈ&&ｍ2+m4＜heiｇｈｔh＆&ｍ3＜0.2*widtｈｍ３=aｒｒ3(１)；m４＝arr４（1）;rｅctangle('Pｏｓｉtion',[m1,m2,m3，ｍ4］，＇EdgeColor＇，＇ｒ’）；eｎdｅndend(4)程序說明人臉識別程序主要包含三個程序模塊，人臉識別主程序由三部分構(gòu)成。第一部分：將圖像轉(zhuǎn)化為ＹCbＣr顏色空間，根據(jù)色彩模型進行圖像二值化,二值化圖像進行形態(tài)學(xué)處理、開運算,顯示二值圖像；第二部分：采用標記方法選取出圖中的白色區(qū)域，度量區(qū)域?qū)傩裕娣沤?jīng)過篩選以后得到的所有矩形塊,篩選特定區(qū)域,存儲人臉的矩形區(qū)域;第三部分:對于所有人臉的矩形區(qū)域,如果滿足條件的矩形區(qū)域大于1則再根據(jù)其他信息進行篩選,標記最終的人臉區(qū)域。圖像分割程序中，利用膚色可以較為精確的將人臉和非人臉區(qū)域分割開來，得到較為精確的二值化圖像。人臉的確認程序，以存儲的所有矩形區(qū)域作為研究對象,當區(qū)域內(nèi)有眼睛存在時，才認為此區(qū)域為人臉區(qū)域3運行結(jié)果第一幅圖原始圖像膚色分割的二值化圖像人臉識別圖像第二幅圖原始圖像膚色分割的二值化圖像人臉識別圖像第三幅圖原始圖像膚色分割的二值化圖像人臉標定內(nèi)蒙古友恒煤炭有限責任公司益民煤礦52０1工作面地表巖移觀測研究報告編制:審批：礦長：日期：第—章520１工作面觀測站概況第一節(jié)概況益民煤礦于２0１1年12月正式投產(chǎn),礦井設(shè)計生產(chǎn)能力１．2Ｍt／a，礦井采用斜井單水平開拓，建有主斜井、副斜井和回風(fēng)斜井3條井筒,主、副斜井、回風(fēng)斜井布置在工業(yè)場地內(nèi)。礦井開采標高為１195～１06２m，4－2煤層已于201６年全部回采完畢，現(xiàn)開采5—2煤層內(nèi)蒙古友恒煤炭有限責任公司益民煤礦位于東勝煤田準格爾召—新廟礦區(qū)的東南部,其行政隸屬內(nèi)蒙古自治區(qū)鄂爾多斯市伊金霍洛旗納林陶亥鎮(zhèn)。礦井地理坐標：東經(jīng)：110°17′45″～１10°2３′38″北緯：39°２0′10″～39°2３′３６″井田東西長約8．４6km,南北寬約6．3４m，為一不規(guī)則的多邊形，面積為19．818km２1、交通本礦井向西3km為包府公路213省道，該公路是區(qū)域的主要運輸公路.經(jīng)包府公路向北到鄂爾多斯市東勝區(qū)約68ｋm，到包頭市約1７０km，向南到神華礦區(qū)大柳塔約２8km，本區(qū)交通條件較為便利。2、地形地貌本區(qū)位于鄂爾多斯高原的東北部,從準格爾召到新廟，沿束會川一帶，侵蝕構(gòu)造比較強烈，多形成高原丘陵地形，溝谷縱橫交錯,均沿地表水系的各自區(qū)域流向。本區(qū)地勢北高南低，西高東低，最高處位于礦區(qū)的西南部茆梁之上,海拔標高為12６０。2m,最低處位于區(qū)內(nèi)東部的勃牛川溝內(nèi),海拔標高為１11７．0m.４、構(gòu)造一、區(qū)域構(gòu)造本區(qū)區(qū)域構(gòu)造簡單，基本構(gòu)造形態(tài)為一平緩的單斜構(gòu)造，巖層傾向南南西，傾角1～３°，一般在１°左右。區(qū)內(nèi)無明顯的褶皺和大的斷層，僅有微波狀起伏和斷距較小的斷層，對煤層無破壞作用。二、井田構(gòu)造益民煤礦井田構(gòu)造簡單，基本構(gòu)造形態(tài)為一寬緩的向斜，軸部走向為NE向，兩翼地層傾角3°左右。區(qū)內(nèi)無斷層，無巖漿巖侵入.5、水文地質(zhì)情況本地區(qū)屬于干旱半沙漠溫帶大陸性氣候，春季干旱多風(fēng)，夏季晝熱夜溫涼,日溫差較大，秋季涼爽，冬季嚴寒。全年降水量多集中在7－9月，降水次數(shù)雖少，但多為大雨或暴雨。據(jù)伊金霍洛旗氣象站資料，全年平均氣溫6。2℃，最高氣溫36。6℃，最低氣溫－20．６℃，年平均降水量350mｍ，年平均蒸發(fā)量2492ｍm，蒸發(fā)量一般大于降水量的４~５倍。風(fēng)季主要集中在4—5月和１0-１1月，以西北風(fēng)為主，最大風(fēng)速２4m／ｓ。凍土期較長，凍土最大深度１。5０m。本井田沖溝比較發(fā)育，勃牛川位于礦區(qū)的東部,其支流畢魯圖溝、母花溝是礦區(qū)內(nèi)較大的溝谷，區(qū)內(nèi)谷溝常年無水，僅在暴雨后形成短暫洪流。6、開采技術(shù)條件設(shè)計生產(chǎn)能力1。20Mt/ａ，礦井服務(wù)年限1７a。井田內(nèi)主要可采煤層3層煤，分別是4—2、5-２、6－2號煤層。4—2號煤已于2016年年底回采完畢，現(xiàn)主要開采5—2號煤層。礦井分為１個水平，水平布置在5-2煤層，5—2煤開采工藝為綜合機械化采煤工藝,首采工作面在一采區(qū).第二節(jié)5201工作面情況５2０1工作面順槽長１300米,工作面長２5０米，平面積3２500０平方米。開采侏羅系中下統(tǒng)延安組(J1-２y）的5－2煤層，煤層傾角1－3°，平均1°、工作面圈定的煤層厚度1.21～1．４78米,平均１。3米，設(shè)計采高１。3米.１、煤層、頂板、底板5—２煤層頂、底板，多數(shù)以泥巖、泥質(zhì)粉砂巖為主,構(gòu)成直接頂?shù)?。根?jù)《內(nèi)蒙古自治區(qū)東勝煤田準格爾召-新廟礦區(qū)詳查地質(zhì)報告》的成果,從抗壓強度評價巖石軟硬程度：泥巖的單向抗壓強度小于３0MPａ，屬于軟弱巖石,粉砂巖的單向抗壓強度在40～60MPa之間,多數(shù)為50ＭPａ，屬于半堅硬巖石，膠結(jié)不好的砂巖抗壓強度小于３0MPa,屬軟弱巖層。膠結(jié)好的砂巖抗壓強度介于40～6０MPa,屬半堅硬巖石。從泥巖、粉砂巖、砂巖軟硬程度看,該礦區(qū)煤層頂?shù)拙鶠檐浫酢雸杂矌r石。2、地質(zhì)構(gòu)造情況根據(jù)實揭地質(zhì)資料及５－2煤層底板等高線形態(tài)分析，該工作面地質(zhì)條件簡單，煤層底板起伏變化小,不存在斷層等地質(zhì)構(gòu)造。開采煤層覆巖巖性根據(jù)地表出露和鉆孔資料,在本區(qū)范圍內(nèi)分布有三迭系上統(tǒng)延長組,中、下侏羅統(tǒng)延安組（J1—２y)和第四系地層。由于地質(zhì)作用的影響中、下侏羅統(tǒng)延安組的五個巖性段，僅殘留一、二、三和四巖性段的一部分,殘留厚度平均為1１0。2m。現(xiàn)由老到新分別敘述.１、三疊系上統(tǒng)延長組(T3ｙ）該組為煤系地層的沉積基底。其巖性主要為一套灰綠色中～粗粒砂巖，局部含礫，夾綠色薄層狀砂質(zhì)泥巖和粉砂巖.砂巖中黑云母含量較高且普遍綠泥石化。厚度5１。59m～１7７。7４m，平均1３7．９０m。2、侏羅系中下統(tǒng)延安組(J1—２y）該組為核實區(qū)主要含煤地層，出露于溝谷兩側(cè).遭受風(fēng)化剝蝕等地質(zhì)因素影響,殘缺不全，僅殘留一、二、三、四巖性段的一部分。巖性主要由灰、深灰色粉砂質(zhì)泥巖、泥巖、灰白色砂巖、灰色細砂巖、深灰色粉砂巖,灰綠色、灰黑色砂質(zhì)泥巖、泥巖及煤組成。厚度3３。25ｍ~13０。５５ｍ,平均11０。２0m。與下伏地層延長組呈平行不整合接觸。⑴第一巖段（J1-2y1)：該巖段從延安組底界到Ⅵ－l煤層頂界，厚度10.59m~３8。44ｍ,平均３2．７0ｍ，巖性主要為灰色或深灰色粉砂質(zhì)泥巖、泥巖，夾灰白色砂巖。含Ⅵ煤組3層,煤層編號分別為VI-1、ＶI－2、VI-３，其中VI-1、VI－２煤層可采。⑵第二巖段（J1-２y2）：該巖段從Ⅵ煤組頂界至V煤組頂界，厚度8。69ｍ～３4。34m，平均27．20m。巖性主要為灰黑色泥質(zhì)粉砂巖、泥巖、灰色粉砂巖，夾中、細粒砂巖，含V煤組3層,煤層編號分別為V—l、V-２、V－3,其中V-l、V－2煤層可采。⑶第三巖段（J1—２y3)：該巖段從V煤組頂界至Ⅳ煤組頂界，厚度9．4９m～３2．14m,平均２7.８0。巖性主要為灰白色砂巖夾深灰色粉砂質(zhì)泥巖，含Ⅳ煤組2層，煤層編號分別為Ⅳ—2、Ⅳ－３，其中Ⅳ-2煤層可采。⑷第四巖段（J1-２y４):該巖段從Ⅳ煤組頂界到Ⅲ煤組頂界,厚度4．４8ｍ~2５。6３ｍ，平均2２．50m。下部巖性主要為灰白色砂巖夾灰色粉砂巖、砂質(zhì)泥巖，上部巖性主要為深灰色泥巖、泥質(zhì)粉砂巖，含Ⅲ煤組,煤層編號一層，即Ⅲ-2煤層，不可采。⑸第五巖段（J1－２y5）:該巖段從Ⅲ煤組頂界至延安組頂界，由于后期剝蝕,零星分布于礦區(qū)周圍，厚度0~２８。７1m，平均9.68m。其巖性中下部為灰色泥質(zhì)粉砂巖、砂質(zhì)泥巖、泥巖互層，上部以灰白色砂巖為主，具大型交錯層理。Ⅱ煤組在本區(qū)范圍內(nèi)已被剝蝕。3、第三系上新統(tǒng)（N２）該組地層廣泛出露于井田,主要巖性上部為土紅色泥巖、粉砂質(zhì)泥巖、含礫，下部為紫紅色、黃綠色砂巖、砂礫巖，礫石成分為石英、長石，膠結(jié)差.厚度0～１8.01m,平均１１.55m。與下覆地層呈角度不整合接觸.4、第四系全新統(tǒng)（Q4)全區(qū)廣泛分布，階地堆積和沖積、洪積物、風(fēng)成沙、細沙,本組厚度一般0~１9．61m,平均７。45m第三節(jié)５２01工作面地面觀測站的設(shè)置和觀測1、觀測線的設(shè)計變形觀測線設(shè)制為２條橫線和1條縱線，兩條橫線應(yīng)在全煤區(qū),且距離至少相距5０米;一條縱線位于工作面中部全煤區(qū)。變形觀測點應(yīng)設(shè)立在變形體上能反映變形特征的位置，并且應(yīng)設(shè)置成直線。在每條觀測線上工作面以內(nèi),布設(shè)兩個巖移觀測點。觀測點結(jié)構(gòu)圖１．2觀測點結(jié)構(gòu)觀測點采用木樁上釘鋼釘制作而成,埋深40０mm.露出地面1０0mm..3、觀測站聯(lián)測方法和日常觀測工作包括使用儀器觀測方法和精度要求觀測站在設(shè)置10—１５天后,進行觀測.連接測量根據(jù)礦區(qū)地面控制網(wǎng)和觀測站位置及地形情況，按照【規(guī)程】對近井點的測量要求,用敷設(shè)導(dǎo)線的方法,測定觀測線一個控制點的平面坐標和高程，其余控制點用5秒導(dǎo)線測量.全面測量地表移動前和穩(wěn)定后的全面測量必須獨立進行兩次，其時間間隔不超過5－7天，在整個活躍期內(nèi),其間隔時間按T=H/6c（c為回采工作面的推進速度）計算。(3)巡視測量在走向觀測線上采空區(qū)上方選擇幾個觀測點進行定期的水準測量,當某一點的累計下沉量大于10mｍ時，即可認為地表已開始移動，進行第一次全面觀測.在進行上述各項測量工作的同時，必須記錄地表、地質(zhì)、采礦、及水文地質(zhì)等變化情況，主要是地表裂縫位置及要素，工作面的推進位置,采出煤層厚度、傾角和頂板跨落情況.對控制點的高程必須定期檢查其間隔時間為一月。地表移動過程中的測量工作盡可能在一日內(nèi)完成,最多不超過兩天。（４)觀測方法及精度要求采用全站儀觀測。儀器型號為索佳SＴK220，全站儀測量精度：水平角的觀測限差應(yīng)不超過下表的規(guī)定:儀器級別半測回歸零差（″）一測回內(nèi)2c互差（″）同一方向值各測回互差(″)DＪ16９6ＤJ28１39DJ618—24三角高程測量的技術(shù)要求應(yīng)符合下表：經(jīng)由路線儀器級別測回數(shù)傾斜角互差（″）指標差互差(″）對向觀測高差較差（mｍ）附合或環(huán)線閉合差（ｍm)中絲法三絲法三、四等點DJ1DJ242101５±１00S±5０S一、二級導(dǎo)線DＪ2２1１515第二章5201工作面地表巖移觀測成果分析第一節(jié)工作面回采過程中一般規(guī)律和有關(guān)參數(shù)的確定一、下沉動態(tài)曲線的特征隨著工作面不斷向前推進，地表移動變形處于不斷變化之中.根據(jù)走向主斷面觀測線觀測成果,繪制成動態(tài)曲線圖。從動態(tài)曲線變化中,可以看出有如下規(guī)律。1.隨著工作面不斷向前推進,下沉盆地范圍不斷擴大，下沉值不斷增加.2．動態(tài)曲線為非對稱型。固定開采邊（開切眼）一側(cè)較陡，工作面推進的一側(cè)較緩和。3.各點下沉均經(jīng)歷了突發(fā)性階段和穩(wěn)定性階段。前進中各次觀測下沉曲線的間距與工作面驗收的間距也基本相等，這證明覆巖能很快垮落而傳達到地表。二、地表沉陷起動距（d0）為了正確確定地面建筑物加固、維修和觀測時間等,需要知道地表開始移動時工作面推進的距離(簡稱起動距）。起動距主要決定于頂板的巖性（包括節(jié)理）和采空面積。一般是工作面推進(1/４～１/3)Ｈ,或采空面積達到（２5~33）Ｈm2時,地表開始下沉,但堅硬頂板時例外。由于５20１工作面地表地形總體為南北高中部低，在此基礎(chǔ)上表現(xiàn)為中部低而南北側(cè)漸低之變化趨勢。故地表開始下沉以觀測的下沉值達到或大于10ｍm為標準.5２01工作面的走向觀測線的移動變形圖可知,當回采到20m時,開切眼附近上方地表的A５點發(fā)生２９mm的下沉。故確定5201工作面的起動距為2０m,此時的采掘深度為108m，故確定本觀測站地表沉陷的起動距為0．２H。三、超前影響角為了掌握工作面推進過程中地表開始下沉的位置,需要知道開采的超前影響。一般要求工作面到開切眼的距離不小于0.4H時，按下沉10mm超前于工作面推進位置的距離Ｌ超，稱為超前影響距。超前影響距也常用超前影響角表示：由5201工作面的走向觀測線的動態(tài)曲線圖，可繪制計算超前影響角如表2－１。表2—1５2０1工作面實測的超前影響角超前距L超(m）采深H(m）超前角ω（°）備注Ａ７5點3０134．877.５ｔanω=H/Ｌ超平均30１08７４．55201工作面平均超前影響角=７4。5°,即以0．28Ｈ超前影響.超前影響和上復(fù)巖層性質(zhì)，工作面推進速度以及是否重復(fù)采動有關(guān)。四、最大下沉速度及最大下沉速度滯后角φ在工作面推進過程中，為了掌握地表下沉最劇烈的位置,需要知道地表最大下沉速度點的滯后距。最大速度點滯后于工作面的距離稱為最大下沉速度滯后距L滯。最大下沉滯后角用φ表示:１.從每次觀測的下沉值可得出如下圖表示的最大下沉速度變化圖。從圖中我們看出每次測量的最大下沉值所在測點在變化,說明地面沉陷是一個動態(tài)的過程?？傮w上這種變化方向與隨掘進方向一致，但中間過程也有反復(fù)。這說明地表沉陷是一個復(fù)雜的過程，不僅有向下的沉降，還有水平方向的移動，總體分析見后。2。由南北向觀測線的動態(tài)曲線圖，求得５201工作面φ角,列表2－2。表２－2５201工作面最大下沉速度滯后角點位滯后距開采深H（m）滯后角φ（°)備注Ｌ滯(ｍ）Ａ113６．21０９．6７１。6８７2６taｎφ=H/L滯Ａ２6２1.4１04．17８。33857Ａ502４。510８。7７5．２７9７4A633７.１1１０．４7０.0１72８平均２９．7108.374。67267求得5２０１工作面滯后角φ＝74。7°。即以向后0.3H距離為最大下沉速度位置。3．為更好地說明最大下沉速度的關(guān)系與移動量之間的關(guān)系,選擇南北向主斷面接近充分采動區(qū)的A31點及Ａ３2點求得最大下沉速度分別為:vwmax51=1６2。25mm/d和vｗｍax52=15９。5mm/d，而A31點和A32點的最大水平位移速度和最小水平位移速度分別為：vUmax3１＝6８。95mm/d和vUmａｘ32＝6１。３９mm/d、vUｍｉn31=-65。93mm／ｄ和ｖUmｉn32=-4０．28ｍm/d。圖2-1A３1、A３2點的下沉和水平位移曲線表2—３A３1、A32點計算結(jié)果次數(shù)ＸYZ水平位移天數(shù)/水平位移速度下沉天數(shù)/下沉速度傾斜曲率變形X方向水平位移Y方向水平位移１4360323。８953７４4２６83.92712４７.61086.2４７222．８７4907150.50。873５－0。0２9—１。9１52－４３86243６0３23.9823744268４.0151247．59４23。1２088-9。14０７96-1。1２5－0.715０.107947—1．272３3-2113343６0324.0693744２684。10２1２４7．5７８95.3479638。0896８１11．25—0．0７９0.０9６673.9７6１97－8３４6４4360324.１57３74４2６84．189１24７.5６282.３1992－３9．946530１8．3333。5７7-0。1１215-０。７985235-74543６0324。２44374４26８4．2７61247.５46７1。559786８。94925５035７．４8７7－0．１7９071。0930２7４356643６０3２４。33１37442684．3６３1２47.5３0４3.４6547-8．98５79７076。７５11。９03—０.2990８-2．74033-21３774360324．４18３74426８4。４５１1247。５1476。01６14—6５．9299０1６2.25１5。221—0．５96991１．87927—23-6４８4３6０３24．50637442６8４.５381247。498４3．1５94233。2３３6１1011７．５14.１６９-0.6３8７4１7。1３－29—299４360324。5９33744268４。62512４７.４827９．0８０322５.41862129４2.7513。388—０。７2１4119。２76３４237310４3６0３24．683７44２6８4．712１２47。4６681.17368２9．914111495610．308—０.６57５419．59８１23８751１4３60３２4。７６７3744２684.8０0１2４7.４5０58.２42971４．173241693４。57。３８５-０．58４0119。52２0449361２4３60３24.８55３74４2684.88７1247。４34４5.29３8231.５８47５18939．3332．9９6—0。4５20817．37０77283９13４360324.9４23７442684．9７４１２4７．４036３．5795９３4.8322120７1０。51。12９-０．４５１021４．3850４５642第二節(jié)地表移動變形和角量參數(shù)的確定一、地表變形最大值根據(jù)52０1工作面首次和最后一次觀測成果,對兩條觀測線進行各種移動變形計算,并繪制觀測成果圖，詳見附圖2—2、附圖2-3。將各觀測線的移動變形最大值列于表2-4。表2—4５２0１工作面移動變形最大值統(tǒng)計表觀測線移動變形最大值南北向線東西向線最大下沉值W0(ｍm）３７９619最大傾斜值i０(mｍ/M）41.３3-4２。226８.59——49．55最大水平移動Ｕ0（mm）１４45。83—8８5.2３10１1．４7－88８.76最大曲率值Ｋ0(10－3/M)５.5５7.81－3。28-４。６0最大水平變形值ε０(mm/M）63。2555。59-65．79－60.03說明表中各種移動變形都比較小，這是本區(qū)特有的地質(zhì)采礦等條件所決定的.圖2—2東西向線地表移動變形圖圖２－３南北向線地表移動變形圖二、地表移動變形分布規(guī)律1.走向線主剖面變形特征因工作面推進距離原因，走向線未達到充分采動,接近于臨界充分采動位置,今后根據(jù)推采進度繼續(xù)進行觀測分析.2.傾向線主剖面變形特征從傾向線的移動變形曲線上看,兩者變形基本上為對稱型,在兩端地面下沉變化都比較平緩，但在拐點附近變化陡急。最大變形值相差也較小。從圖形分布看大體符合常規(guī)。三、地表移動穩(wěn)定后的角量參數(shù)１。移動角利用主剖面上實測到的傾斜曲線、曲率曲線、水平變形曲線，分別求出移動盆地外邊界i＝3ｍm/m、K=0。２×1０-3/m、ε＝2mm/m的點，取其中最外邊一個點，將松散層移動φ方向投引到松散層與基巖的接觸面上，再與采空區(qū)邊界連線，則該線與水平線在煤柱一側(cè)的夾角，即為新求移動角.如礦區(qū)無松散層移動角時,一般取松散層移動角45°。在5201工作面具體條件下,如用φ＝4５°來求基巖移動角.所求基巖移動角均大于90°.故只能不分松散層和基巖層求綜合移動角。2．邊界角與裂縫角以地表下沉為10mｍ的位置為邊界點，與采空邊界連線在煤柱一側(cè)和水平線所成夾角便是綜合邊界角：而裂縫角仍指在充分采動或接近充分采動的情況下,采空區(qū)上方地表最外側(cè)的裂縫位置和采空區(qū)邊界的連線與水平線之間在煤柱一側(cè)的夾角。3。充分采動角與最大下沉角充分釆動角指在充分采動情況下,移動盆地主斷面上盆地平底邊緣和工作面邊界的連線與煤層之間在采空區(qū)內(nèi)側(cè)的夾角（ψ）。最大下沉角（θ)指在移動盆地的傾斜主斷面上，采空區(qū)中點與地表最大下沉點的連線與水平線之間在下山方向的夾角。5201工作面煤層傾角α=5.5°，緩傾斜煤層。按《三下規(guī)程》中硬覆巖公式θ＝90-(0.6~0。7)α計算,θ值在8６°42／-860０9/之間，故取θ≈86０２5/。按上述方法求得各主斷面綜合移動角、綜合邊界角、裂縫角、充分采動角,列于表2-5。表2-55201工作面地表移動參數(shù)成果表觀測線角別走向線傾斜線下山上山綜合移動角δ６6βγ綜合邊界角δ０69β０69γ069裂縫角δ//β／／γ／/充分采動角ψ3６9ψ１63ψ26９最大下沉角θ86０25/說明最大下沉移動角θ,按規(guī)程覆巖中硬巖公式θ＝90－(0。6—0.７)a計算，故52０1工作面θ＝86025/四、松散層和基巖層移