PAC算法的人脸识别应用

1、Seminar 课程课外研学学分认定书学生姓名： 学号： 所在院系：一、课程相关信息课程名称授课教师职称所在单位图像识别和机器视觉夏思雨东南大学自动化学院二、课程研讨的主要课题数字水印，人脸识别，图像识别三、论文题目PAC算法的人脸识别应用四、论文摘要（200字）在计算机科学建立以来，图像识别技术一直是其重要的研究领域，从简单的水印加密技术到较为 复杂的指纹识别，文字识别等，图像识别技术已经深入到我们的工作与生活之中。在图像识别技 术领域中，人脸识别一直是一个重要的研究方向。在本次实验中将运用PAC算法，通过数据统计 来完成对人脸的识别，并对这种识别技术进行初步的性能分析。五、与课程相关的研学

2、材料清单：文献综述或调研报告份，与课程相关的论文1份答辩报告（含ppt）份，其他份六、对论文或报告的评阅意见：1、 有无调研原始资料有；无；2、 论文或报告质量（内容、工作量、规范性）优秀；良好； 通过； 不通过；3、 有无抄袭现象有；无；4、评阅意见：任课课教师签字：年月日七、对学分认定的意见： 0学分口0.5学分口1.0学分任课课教师签字：年月日注：1、表头及第一至五项由学生填写，第六、七项由任课教师填写；2、学生将研学材料（文献综述或调研报告、论文）与本表格一并提交任课教师PAC 算法的人脸识别应用摘 要：在计算机科学建立以来，图像识别技术一直是其重要的研究领域，从简单 的水印加密技术到

3、较为复杂的指纹识别，文字识别等，图像识别技术已经 深入到我们的工作与生活之中。在图像识别技术领域中，人脸识别一直是 一个重要的研究方向。在本次实验中将运用 PAC 算法，通过数据统计来完 成对人脸的识别，并对这种识别技术进行初步的分析。关键词：图像识别；人脸识别；PAC算法Abstract: Since the establishment of computer science, image recognition technology has been an important area of research, ranging from simple to more complex enc

4、ryption technology watermark fingerprint recognition, text recognition, image recognition technology has penetrated into our work and life. In the field of image recognition technology, face recognition has been an important research direction. In this experiment the use of PAC in the algorithm, by

5、identifying statistical data to complete the human face recognition, and this recognition technology to conduct a preliminary analysis.Keywords: image recognition; recognition; PAC algorithm目录 TOC o 1-5 h z HYPERLINK l bookmark6 o Current Document 实验介绍 4 HYPERLINK l bookmark8 o Current Document 实验意义

6、 4 HYPERLINK l bookmark10 o Current Document 研究背景 4 HYPERLINK l bookmark12 o Current Document 国内外研究现状 4 HYPERLINK l bookmark14 o Current Document 实验设计 5 HYPERLINK l bookmark16 o Current Document 设计流程 5PCA 介绍 6 HYPERLINK l bookmark26 o Current Document 设计思路 7 HYPERLINK l bookmark34 o Current Document

7、 实验分析 83.1 样本选取 8特征脸 8 HYPERLINK l bookmark38 o Current Document 投影矩阵选取 9人脸重建 10匹配函数 10 HYPERLINK l bookmark46 o Current Document 干扰分析 12 HYPERLINK l bookmark50 o Current Document 实验结论 13 HYPERLINK l bookmark52 o Current Document 参考文献 13附录 141.实验介绍实验意义人脸识别，是一种基于人脸面部特征信息对其身份信息的确认与识别的生物识 别技术，利用通过摄像机，摄

8、像头所得图像甚至是画像来对目标进行跟踪捕捉，身份 识别，信息记忆等一系列技术的统称，又称作面部识别，人像识别。传统的人脸识别技术主要针对可见光部分的识别，这也是我们最熟悉的识别方 法，该种方法在经过长久的发展后，已经有了较为完善的识别系统，但是这种识别方 法有很大的缺陷。在不同的光照条件下，识别的准确率会有很大的差别。尽管如此， 这种方法仍是我们最常用的方法。本次实验将对如何实现这一应用做简单介绍和分析研究背景在经过三十多年的研究后，现有的人脸识别系统在用户配合、采集条件比较理 想的情况下可以取得令人满意的结果。但是当用户不愿意配合，或者识别对象在一些 特征上发生改变仍会极大的影响识别效果，因

9、此现在已经有了基于红外成像的人脸识 别，这种识别方式可以极大的排除装束打扮对人脸识别所造成的影响。1.3国内外研究现状生物识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全 防务等领域。例如，一位储户走进了银行，他既没带银行卡，也没有回忆密码就径直 提款，当他在提款机上提款时，一台摄像机对该用户的眼睛扫描，然后迅速而准确地 完成了用户身份鉴定，办理完业务。这是美国德克萨斯州联合银行的一个营业部中发 生的一个真实的镜头。而该营业部所使用的正是现代生物识别技术中的“虹膜识别系 统”。此外，美国“9.11”事件后，反恐怖活动已成为各国政府的共识，加强机场的 安全防务十分重要。美国维萨格

10、公司的脸像识别技术在美国的两家机场大显神通，它 能在拥挤的人群中挑出某一张面孔，判断他是不是通缉犯。当前社会上频繁出现的入室偷盗、抢劫、伤人等案件的不断发生，鉴于此种原 因，防盗门开始走进千家万户，给家庭带来安宁；然而，随着社会的发展，技术的进 步，生活节奏的加速，消费水平的提高，人们对于家居的期望也越来越高，对便捷的 要求也越来越迫切，基于传统的纯粹机械设计的防盗门，除了坚固耐用外，很难快速 满足这些新兴的需求：便捷，开门记录等功能。人脸识别技术已经得到广泛的认同， 但其应用门槛仍然很高：技术门槛高（开发周期长），经济门槛高（价格高）。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政

11、府、航天、电 力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同 度的提高，人脸识别技术将应用在更多的领域。1、企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等。2、电子护照及身份证。中国的电子护照计划公安部一所正在加紧规划和实施。3、公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。4、自助服务。5、信息安全。如计算机登录、电子政务和电子商务。在电子商务中交易全部在 网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授 权都是靠密码来实现，如果密码被盗，就无法保证安全。但是使用生物特征，就可以 做到当事人在网上的数字

12、身份和真实身份统一，从而大大增加电子商务和电子政务系 统的可靠性。2.实验设计2.1设计流程人脸识别技术的流程人脸识别技术分为四个部分：人脸图像采集及检测、人脸图像预处理、人脸图 像特征提取以及匹配与识别。2.1.1人脸图像的采集及检测不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同 的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时， 采集设备会自动搜索并拍摄用户的人脸图像。而人脸检测在实际中主要用于人脸识别 的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十 分丰富，如直方图特征、颜色特征、模板特征、结构特征及 Haar

13、特征等。人脸检测 就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。2.1.2人脸图像预处理人脸识别技术针对的是经过处理的人脸特征信息，而初步采集得来的原始人脸 图像往往会受到各种条件的限制和外部干扰，而无法准确的识别出人脸的特征信息，于是便要通过一些的方法，来消除这些干扰因素，以便于下一步的执行。2.1.3人脸图像特征提取人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换 系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人 脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法 归纳起来分为两大类：一种是基于知识的表征方法

14、；另外一种是基于代数特征或统计 学习的表征方法。前者主要将人脸器官等的的特点来做为特征信息，而后者更多基于 对图像数据的统计。2.1.4人脸特征的匹配与识别通过之前几步我们可以获得每张人脸图像的特征信息，进而组成特征信息的样 本库，将训练样本的特征信息与样本库中各样本的信息进行比对，在设定合理的阈值 后就可以获得最佳的识别效果。PCA介绍PCA算法，Principal Component Analysis，即主成分分析法，是一种将高维 特征向量转换为低维特征向量的降维方法。当一组样本的某一特征向量都相同或差别 不大时，这一组特征向量就没有比较价值也没有区分不同样本的能力。为了减少计算 量，提高

15、分辨精度，我们要把这些区别特征不大的信息消除掉，只留下区别特征较大 的信息。对于某k维向量来说，在原有的k维坐标中他的特征向量在各个维度上的变化均 不明显，我们可以通过改变他所处的坐标轴来使他的特征向量在某些坐标轴上的变化 更加明显。例如，在x, y轴平面上，将一个椭圆倾斜45度角放置，在第一象限部分，他在 x，y轴上的投影都差不多，变化度都不是很大，但是在将椭圆的长轴作为x轴后， 椭圆在x轴的投影范围变得更大，方差也更大，但在y轴的投影范围变得更小，方差 也更小。这时我们就可以消除掉y轴的特征信息，只保留x轴的特征信息，这便完成 了高维信息向低维的转换。 （图1.1）在实际中，例如，我们获得

16、了一组 100 个样本的样本库，每个样本的特征量都是 十维的，这样可以获得一个 100*10的矩阵，进而我们可以得到 10*10的协方差矩阵， 对这个协方差矩阵求特征向量和特征值，可以获得10 组特征矩阵和特征值，在这十 组中取特征值最大的 5 个特征值（根据情况决定），可以组成 10*5 的矩阵，将之前的 100*10 的矩阵与这个矩阵相乘可以获得 100*5 的新矩阵，这便是新的特征信息矩阵， 每个样本的特征维数都下降了。这个 10*5 的矩阵就是一种将高维数据投影到低维的投影矩阵，而 PCA 实际上便 是求这种投影矩阵的方法。2.3设计思路利用 pca 算法的人脸识别程序设计思路样本的读

17、取在讲样本归一化处理后，读取一定数量的样本作为样本库，其余样本组成训练集。 设归一化后的图像为 n*m 的矩阵，我们可以通过投影矩阵将该特征集转换为低维空间 内的特征集。通过投影矩阵产生低维特征量利用公式计算出所有样本的协方差矩阵A=Xl-m, X2-mXM-m其中m是平均脸（样本库的均值矩阵），M是样本库容量，N 是每个样本的特征量（Xi）的维数，这样就可以得到C, 一个大小为N*N的协方差矩 阵。计算该矩阵的特征向量和特征值，可以得到N组特征向量与特征值，按特征值的 大小排列，特征向量可以组成一个新的N*N的矩阵，该矩阵便是一个高维到低维的投 影矩阵，之后选择适宜的部分作为用来投影的矩阵。

18、将原图像矩阵与选定的选定矩阵相乘，便得到了经过 PCA 处理后的有着较大区别 性的特征信息。匹配信息将样本图像都进行投影变换后获得每张图像的特征信息，然后通过函数距离算法 来找出最接近的两组特征信息。3 实验分析3.1样本选取样本来自于ORL人脸数据库。ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄 的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对 象10幅图像共计400幅灰度图像组成，图像尺寸是92X112,图像背景为黑色。其 中人脸部分表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着，戴或不戴眼镜等, 人脸姿态也有变化，其深

19、度旋转和平面旋转可达20度，人脸尺寸也有最多10%的变 化。该库是目前使用最广泛的标准数据库，它含有大量的比较结果。在实验中分别选取每个样本的前5张图像为样本库，其余为训练集。3.2特征脸人脸图像在经过完整的投影矩阵投影后，原本的特征量并不会丢失，可以通过选用完整的投影矩阵中的不同部分来获得保留有不同程度的特征信息的特征脸。图 3.1不同K值下的特征脸3.3投影矩阵选取计算协方差矩阵的特征值和特征向量，在按特征值大小排列特征向量，获得完整 投影矩阵（N*N）后，我们要选取其中方差较大，区别性较强的部分。可以用不同的特征向量所对应的特征值来计算不同投影矩阵所能反应出的能量大小。经计算，不同投影矩

20、阵投影后的结果占总能量的百分比。如表 3.1,3.2表3.1不同K值下特征图占总能量的百分比（后附全表）K值1-K之间部分的特征值1-K占总信息量的百分比10.6117001970.31412112631.25260.38586655241.43750.44282545751.6060.49473230261.71410.52803277771.80160.5549873781.88650.58114102691.95490.602211817102.01340.620232888202.36980.730022796302.56140.789045653402.69

21、080.828907646502.78740.858665517702.92160.899978437712.9270.9016696451003.05230.9402686221503.1810.9799149781993.24621表3.2占总信息量的百分比1-K占总信息量的百分 比1-K占总信息量的百分 比选取占总信息量 90%的部分作为我们的特征脸，于是选取 71*N 的部分3.4人脸重建以下分别为，a 某样本的样本库内图像b 非同一样本的样本库内图像c 非同一样本的样本库外类似图像d 同一样本的样本库外图像经过重建后的人脸图像。（图3.3自上而下：a,b,c,d）bcdbcdK= 1

22、02030405071100150199图33对样本库内外的人脸重建结果可以发现，由于投影矩阵是由样本库得来，所以非样本库图像在人脸重建时效果 都十分不好，但是当拍摄角度，拍摄条件与样本库内某些图像相近时，尽管是样本库 外图像（图像C）,仍可以获得较好重建人脸图像。3.5匹配函数通过对不同函数各点间距离的计算便可以得到不同的图像之间的相似度，现在常 用的算数距离有欧氏距离，曼哈顿距离，形状相似距离等，在这里我们选取欧氏距离，曼哈顿距离和夹角余弦值作为研究对象。 计算网格上的两点间距离时，欧氏距离为两点间的直线距离（最近距离），曼哈顿 距离（三阶距离）为沿网格从一点到另一点的最短距离。如图 3.

23、4对于每个 N 维数据，可以认为它是处在 N 维坐标轴上的向量，通过比较不同向量 间的夹角可以计算出不同向量间的相似度，余弦与角度大小程正相关，所以使用余弦 角来代表夹角的大小，图 3.5B欧氏距离曼哈顿距离曼哈顿距离图3.5夹角余弦算法展示B欧氏距离曼哈顿距离曼哈顿距离图3.5夹角余弦算法展示/1/丿/图3.4曼哈顿距离与欧氏距离展示使用不同的算数距离所产生的不同检测结果。表 3.3,3.4表3.3依据不同算数距离匹配的成功率（后附全表）K值余弦夹角匹配成功率欧氏距离匹配成功率曼德拉距离匹配成功率10.0250.1150.095200.3620.32300.550.525400.6150.6

24、15500.630.65600.620.72700.60.74800.5450.765900.50.7651000.470.772000.3050.833000.220.864000.170.8555000.110.8657100.0850.8810000.060.87515000.0450.8819900.0350.88夹角余弦由于样本在经过投影变换后的坐标轴减少，很难成功匹配，而使用曼哈 顿距离和欧氏距离所匹配的信息在一定的适用范围内，均有较高的匹配成功率。但是 在信息量较多时依托欧氏距离进行的匹配算法成功率快速降低，而依托曼哈顿距离进 行的匹配算法却仍可以保持较高的成功率。由此可以初步得

25、出依托欧氏距离进行的匹 配算法对于细节的识别能力差于依托曼哈顿距离进行的识别算法。3.6干扰分析对训练集图像进行不同的干扰，检测经过干扰后的人脸图像是否能够准确的识别身份信息.图 3.64 cJ别身份信息.图 3.64 cJ高斯噪音泊松噪音斑点噪音图3.6添加噪音后的人脸图像较强的高斯噪音对训练集添加不同的噪声干扰后，利用曼哈顿距离算法配对，计算出在不同的噪 声影响下配对的成功率。表3.5给训练集添加不同噪声下的匹配成功率K值咼斯白噪声泊松噪声斑点噪声较强的咼斯噪声无噪声100.770.7650.7650.270.77300.860.860.860.4750.86500.8550.8650.8

26、650.560.8651000.8750.8750.8850.590.8751500.870.880.8750.5950.8651990.880.8850.880.60.88710.8750.880.8750.5850.88710.880.880.875710.880.880.885710.8850.8850.885由上表可见，当添加噪声程度不是很大时，对于识别几乎无影响。但是当噪声 较大时对于识别的成功率仍有较大影响。即拍摄样本图像时的拍摄条件和随机干扰等 外界因素对人脸识别的成功率有较大影响，因此在进行人脸识别时要获得用户的充分 配合且提供较好的拍摄条件。4.实验结论PCA 算法可以增大不

27、同样本之间的差别，对基于数据统计分析进行的身份识别应 用起到极大的帮助。在使用 PCA 算法对特征量进行压缩时，应根据情况选择适合的投 影矩阵，以使在减小算法复杂度的同时不降低算法的准确率。基于曼哈顿距离的匹配 算法在人脸识别技术上有着较好的效果，可以更好的识别图像细节。当训练集图像受 到外界影响时，仍可以保持较高的识别成功率。基于 PCA 算法对可见光部分的人脸识别尽管有很多的缺陷，但是在用户配合且 有较好的拍摄条件下，设定合理的阈值范围，仍可以保证较高的匹配成功率。可见， 这种人脸识别技术仍有其实用价值。5.参考文献引用： 百度百科，人脸识别词条，http：/baike baidu Ccm

28、/link?Url=4gxFu77SJPu2yXVWFYwKGgnOPNhkW9MuCT4QgAPA-ArRRhRHRYkKbi_IFY6gl085 龚 勋， PCA 与人脸识别及其理论基础，百度文库，h十十p：/wenku haidu ccm/link?url=pRFcFYWa8WAgdgcUjmhfrDAWI7PQupRgeaMD 4PyRvqFSNzQYfrpA7gihr2wlFTHEcMzTRtVNPM9o-90D8INzgllTelJepJ0OiDayh8Rem参考：作者不详，PCA 原理及应用， HYPERLINK /view/4cd290afdd3383c4bb4cd2b7.ht

29、ml /view/4cd290afdd3383c4bb4cd2b7.html作者不详，主元分析（PCA）理论分析及应用, HYPERLINK /view/053ec21755270722192ef739.html /view/053ec21755270722192ef739.html尚文清 相似度计算方法 计算机应用.h十十p:/wenku baidu com/view/06c0affdba0d4a7302763a3f h十ml作者不详，相似度计算方法，h十十p:/wenku baidu com/view/ebde5d0e763231126edb1113 h十ml张俭鸽 刘洪波,WTPCA和三

30、阶近邻的人脸识别算法仿真 HYPERLINK /Article/CJFDTotal-JSGG200911055.htm /Article/CJFDTotal-JSGG200911055.htmLucifer_jin ，Matlab中pdist函数详解（各种距离的生成）， HYPERLINK /u/6216467/diary/211759/ /u/6216467/diary/211759/67李附中 录张铁峰 不同相似度度量方式的随机数据聚类分析 华北电力大学学报201 2年 第6期附录 1以 ORL 库中每个样本的前 5 张图像为样本库，后 5 张为训练集，在取不同 K 值时，依 据不同的算数

31、距离获得的匹配成功率。表 6.1 实验结果总表K值1-K 之间部1-K 占总信息余弦夹角匹欧氏距离匹曼德拉距离分的特征值量的百分比配成功率配成功率匹配成功率10.61170.1884357090.0250.1150.09521.01970.31412112600.3620.3231.25260.38586655200.550.52541.43750.44282545700.6150.61551.6060.49473230200.630.6561.71410.52803277700.620.7271.80160.5549873700.60.7481.88650.58114102600.5450.

32、76591.95490.60221181700.50.765102.01340.62023288800.470.77112.0680.63705255400.4450.78122.11210.65063766900.420.78132.15280.66317540500.410.79142.19090.67491220500.3850.805152.22610.68575565300.370.795162.25850.69573655400.3550.8172.28980.70537859700.350.8182.31870.71428131400.320.795192.34510.72241

33、389900.3150.82202.36980.73002279600.3050.83212.39420.73753927700.290.83222.41630.74434723700.2850.84232.43720.75078553400.280.835242.4570.75688497300.270.845252.47650.76289199700.2450.855262.49480.76852935700.240.855272.51220.77388947100.2350.855282.52930.77915716800.230.86292.54580.78424003500.230.

34、86302.56140.78904565300.220.86312.57630.79363563600.220.865322.59040.79797917600.220.86332.60440.80229191100.2150.86342.61780.80641981400.2050.86352.63090.81045530200.2050.855362.64380.81442917900.2050.855372.65640.8183106400.20.855382.66810.82191485400.1950.855392.69080.82890764600.1750.855402.6908

35、0.82890764600.170.855412.70190.83232702900.1550.86422.71270.83565399500.150.86432.72270.8387345200.140.86442.73250.84175343500.1350.86452.74220.84474154400.1350.86462.75180.84769884800.130.86472.7610.85053293100.1250.865482.77010.85333620800.1250.865492.77880.85601626500.1150.865502.78740.8586655170

36、0.110.865512.79560.86119154700.0950.865522.80370.86368677200.0950.865532.81170.86615119200.0950.865542.81940.86852319600.0950.865552.82690.8708335900.0950.865562.9340.8708335900.0950.87572.84120.87523874100.0950.87582.8480.87733349800.0950.87592.85470.87939744900.090.87602.86130.88143059600.090.8761

37、2.86780.88343293700.090.87622.87420.88540447300.090.87632.88050.88734520400.0850.88642.88660.88922432400.0850.88652.89260.89107263900.0850.88662.89850.89289014800.0850.88672.90440.89470765800.0850.88682.91020.89649436300.0850.88692.91590.89825026200.0850.88702.92160.89997843700.0850.88712.9270.90166

38、964500.0850.88722.93240.90333312800.0850.885732.93760.90493500100.0850.885742.94280.90653687400.0850.885752.94790.90810794200.0850.885762.95290.90964820400.0850.885772.95780.91115766100.0850.885782.96270.91266711800.0850.88792.96750.9141457700.0850.88802.97230.91562442200.0850.88812.97690.9170414640

39、0.0850.88822.96140.9122666500.0850.88832.98590.91981393600.0850.88842.99030.92116936700.0850.88852.99460.92249399300.0750.88862.99890.92381861900.0750.88873.00310.92511243900.0750.875883.00720.92637545400.0750.875893.01120.92760766400.0650.875903.01520.92883987400.0650.875913.01920.93007208400.0650.

40、875923.0230.93124268400.0650.875933.02690.93244408800.0650.875943.03070.93361468800.0650.875953.03440.93475448200.0650.875963.0380.93586347100.0650.875973.04170.93700326500.0650.875983.01520.92883987400.0650.875993.04880.93919043800.0650.8751003.05230.94026862200.060.8751013.05570.94131600.060.87510

41、23.05910.94236337900.060.8751033.06240.94337995200.060.8751043.06570.94439652500.060.8751053.06890.94538229300.060.881063.07210.94636806100.060.881073.07530.94735382900.060.881083.07840.94830879200.060.88109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140

42、1411421431441451461471481491501511523.08150.94926375500.060.883.08460.95021871700.060.8853.08760.95114287500.060.8853.09050.95203622700.060.8853.09340.95292957900.060.883.09630.95382293100.060.883.09910.95468547800.060.883.10190.95554802500.060.883.10470.95641057200.060.883.10750.95727311900.060.883

43、.11020.95810486100.060.883.11280.95890579800.060.883.11550.95973753900.060.883.11810.96053847600.060.883.12070.96133941200.060.883.12330.96214034900.060.883.12580.9629104800.0550.883.12830.96368061100.0550.883.13080.96445074200.0550.883.13330.96522087400.0550.883.13580.96599100500.0550.883.13820.966

44、73033100.0550.883.14070.96750046200.0550.883.14310.96823978800.0550.883.14550.96897911400.0550.883.14780.96968763500.0550.883.15010.97039615600.0550.883.15240.97110467600.0550.883.15460.97178239200.0550.883.15680.97246010700.0550.883.1590.97313782300.0550.883.16110.97378473300.0550.883.16320.9744316

45、4300.050.883.16530.97507855300.050.883.16740.97572546400.050.883.16940.97634156900.050.883.17140.97695767400.050.883.17330.97754297300.050.883.17530.97815907800.050.883.17720.97874437800.050.883.17910.97932967800.0450.883.1810.97991497800.0450.883.18290.98050027700.0450.883.18480.98108557700.0450.88

46、3.18660.98164007100.0450.883.18840.98219456600.0450.883.19020.9827490600.0450.883.19190.9832727500.0450.883.19370.98382724400.0450.883.19540.98435093300.0450.883.19710.98487462300.0450.883.19870.98536750700.0450.883.20040.98589119600.0450.883.2020.9863840800.0450.883.20360.98687696400.0450.883.20520

47、.98736984800.0450.883.20670.98783192700.0450.883.20820.98829400500.0450.883.20980.98878688900.040.883.21130.98924896800.0350.883.21270.98968024200.0350.883.21420.9901423200.0350.8853.21560.99057359400.0350.883.2170.99100486700.0350.883.21840.99143614100.0350.883.21980.99186741400.0350.8853.22120.992

48、29868800.0350.8853.22250.99269915600.0350.883.22380.99309962400.0350.883.22520.99353089800.0350.883.22640.99390056100.0350.883.22770.99430102900.0350.883.2290.99470149700.0350.883.23020.9950711600.0350.8853.23140.99544082300.0350.8853.23260.99581048600.0350.8853.23380.99618014900.0350.8853.23490.99651900700.0350.8853.2360.99685786500.0350.8853.23710.99719672200.0350.883.23810.99750477500.0350.883.23910.99781282700.0350.8853.240.99809007500.0350.8853.24090.99836732200.0350.883.24180.99864456900.0350.8853.24270.99892181600.0350.883