基于PCA的人脸识别研究报告(完整资料)

基于PCA的人脸识别研究报告(完整资料）(可以直接使用，可编辑优秀版资料，欢迎下载）

基于PCA的人脸识别研究报告(完整资料）(可以直接使用，可编辑优秀版资料，欢迎下载）项目名称:基于PCＡ的人脸识别算法研究摘要随着人类社会的进步，以及科技水平的提高，一些传统的身份认证的方法逐渐暴露出各种问题,因此人们需要采用一种更加可靠安全的身份认证方法。毫无疑问人体的生物特征的独一无二的,特别是其不容易丢失及复制的特性很好满足了身份识别的需要。并且随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能.因此基于指纹、人脸、视网膜等生物特征的识别方法也越来越多.由于人脸识别的操作快速简单，结果直观,准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCＡ)法通过提取高维度的人脸图像的主元,使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论。此次研究的就是基于PCA的人脸识别算法的实现。本文按照完整人脸识别流程来分析基于PCA的人脸识别算法实现的性能.首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能分别选用了Esｓex人脸数据库和OＲL人脸库，并在后期采用了自建的人脸库.接下来是人脸图像预处理方法。由于采用的人脸图像质量较好，而且已经做过相应的预处理，所以本文试验中只使用灰度处理.接着使用PCA提取人脸特征,使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类.在实验中我们发现基于PＣＡ的人脸识别系统的识别率很高，而且具有一定鲁棒性,所以基于PCA的人脸识别算法的实现的研究还是有意义。【关键词】人脸识别PCA算法奇异值分解定理欧几里得距离ABＳTRACTWiththｅdｅvelopmeｎtofsｃiｅnceaｎdtecｈnoloｇy,thepｒｏgｒｅsｓofhumaｎｓociety,thetradiｔionaｌidentiｆｉcatｉonisｅasyｔoｌｏsｅ,ｅasｙtobecrackeｄandithaｓｎotpｌａyanｉdｅntifｉablerole．Peｏpleneeｄamoｒesecuｒeandreliablｅidｅｎｔiｆicａtiｏntechnｏｌogy.Biomeｔrｉcｉsuniquｅ,eａsytoloseａnｄrｅplicａtiｏnｃharacteｒｉsｔicsｏfgoｏdmｅｅtthｅｎeｅｄsofｔｈeidentiｆicatiｏn。Wiｔｈｔｈedｅvelopmeｎtofｃompuｔeｒscienceaｎdｔechｎologｙandbｉomediｃａlmakesusｅｏfbiomeｔriciｄentｉfｉｃationhasbecomepossible.Inthｅfiｅldofbiomｅｔriｃｉdentifiｃation，facｅrｅcｏｇnｉtioｎwiththeaｄvａntａgesofopｅraｔionｉsfasｔａｎdsimｐlｅ，thereｓultsａreｉｎtuitive,accurａteanｄreｌiａble,dｏnotneedco-ｏrdｉnaｔiｏn，hasｂecoｍetｈefｏｃｕｓofaｔtenｔｉon．Theprｉｎciｐａlｃｏmponentanaｌysis（PCA）toexｔracthighｄｉmenｓｉonａlfacｅｉmageofｔheｍaｉnelｅment，mａkingtheimａｇesａreprocｅssedinlｏw－dimensｉonalspacｅａndiｔreｄｕcｅstｈediｆficultyｏfimagｅpｒoｃｅsｓiｎg。PCＡsoｌvｅsefｆecｔivelｙtheｐrｏblemofｈigｈdｉmensioｎimagｅspaceaｎｄiｔhａsbecomeaveｒｙｉmportａnｔthｅoryinfaｃereｃogniｔionｆｉeｌｄ。Thiｓpaｐerｉsinthiscontｅxtofｗritinｇfrom。

InacｃｏrdanｃeｗiｔｈtｈefuｌlrｅｃognitionｐrｏcｅｓstoanａlｙzethｅｐerｆormancｅｏfＰCA—basedfacｅrecogniｔｉonalgｏrｉthm.Theｆｉｒsｔｔｏｕsetｈｅmeｔｈodofaccesstｏｃｏmmｏｎlｙｕsedfaceimagesfｏrfａcｅimages．InorderｔobettｅraｎalysiｓisbasedoｎthepｅrｆｏｒmａnceofthｅＰCAfaceｒｅcognitiｏnsyｓｔｅmseｌeｃtｅdEｓsexfaｃeｄａtａbase。Nexｔisthｅｆaceimageprepｒocessingmethｏｄs.Essexfaｃｅimagｅqｕａlityisbettｅｒ,anｄhaｖedonetｈeａpprｏpriateｐrｅｔrｅatmeｎt，uｓiｎｇonlygｒay－ｓcaleｐrｏｃeｓｓingｏftｈistrial.TｈｅnuｓeｔheＰCAｆｏｒfacefeatureextracｔｉｏnｕsingｓｉngｕｌaｒｖaluｅdecoｍpositioｎtheoｒemｔocａｌｃulatethecovariancematrixoｆtheeigｅnvaluesandeigeｎvｅｃtors,andｕsetｈeＥuｃｌｉｄｅaｎdistancｅofthenｅａrｅstneｉgｈbｏｒclassiｆｉertｏｔheclａssifiｃationofhｕmａnfaceｄiscrｉminaｔiｏn。Iｎtheexpeｒimenｔ，wｅfoundｔhatａｈighｒｅcognitioｎratｅofthePCＡ—basedｆaｃｅｒecｏgｎiｔioｎsyｓteｍ,ｂuｔｗｉthａceｒtaｉnｒoｂｕstｎess，thePCA－baseｄfacereｃognitｉｏnalgoｒithｍtｏａcｈiｅvｅｍeaningfｕl。【Keywords】faｃｅrecogｎｉｔioｎPCAalgoritｈmSＶＤEｕclｉdeandistance前言随着社会和科技的发展，社会步伐的加快，人们对高效可靠的身份识别需求日益强烈。各种技术在科研和实际中都受到了很大的重视和发展。由于生物特征内在的稳定性和唯一性使其成为了作为身份识别的理想依据。人脸特征作为典型的生物特征外，还有隐蔽性好，易于被用户接受,不需要人的配合等优点。现已成为了身份识别领域研究的热点。PＣA算法通过降低维度，提取主元素,减少了数据冗余，解决了图像纬度太高无法处理或处理很慢的特点，同时保持了原始图像的绝大部分信息.在人脸识别领域，很多先进的识别算法都是在其基础上的改进.所以研究基于PＣA的人脸识别算法实现具有重要的理论和使用价值.本文主要介绍基于PCA的人脸识别算法的实现,先介绍了PＣＡ算法的理论基础，其次介绍了其在数字图像领域的应用,最后结合具体研究详述了研究过程。第一节主成分分析基本理论一、什么是主成分分析?主成分分析为Pｒincipｌecompoｎentaｎalｙsis[１0,11,12］的中文翻译，其英文简写为ＰCA。它是一种非常流行和实用的数据分析技术，最重要的应用是对原有数据进行简化。主成分分析可以有效的找出数据中最“主要”的元素和结构，去除噪声和冗余，将原有的复杂数据降维处理，揭示出隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合.因此应用极其广泛，从神经科学到计算机图形学都有它的身影。PCA被称为应用线形代数最有价值的结果之一。二、基变换从线形代数的角度来看,PCA的目标就是使用另一组基去重新描述得到的数据空间。而新的基要能尽量揭示原有的数据间的关系.在这个例子中，沿着某x轴上的运动是最重要的。这个维度即最重要的“主元"。ＰCA的目标就是找到这样的“主元”，最大程度的去除冗余和噪音的干扰.标准正交基标准正交基表现了数据观测的一般方式。在线形代数中,这组基表示为行列向量线形无关的单位矩阵。(４.2）基变换从更严格的数学定义上来说，PCA回答的问题是：如何寻找到另一组正交基,它们是标准正交基的线性组合,而且能够最好的表示数据集？在PCＡ方法中有一个很关键的假设:线性。这是一个非常好的假设,它使问题得到了很大程度的简化,具体表现为数据被限制在一个向量空间中，能被一组基表示,并且还隐含的假设了数据间的连续性关系。这样一来数据就可以被表示为各种基的线性组合。令X表示原数据集。Ｘ是一个m＊n的矩阵,它的每一个列向量都表示一个时间采样点上的数据。Y表示转换以后的新的数据集表示。P是他们之间的线性转换。它们间的转换关系为(4。3）有如下定义：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）在线性代数中，它有如下的含义:P是从Ｘ到Ｙ的转换矩阵。几何上来说,P对X进行旋转和拉伸得到Ｙ。Ｐ的行向量， (p1,p２，…，pm)是一组新的基，而Y是原数据X在这组新的基表示下得到的重新表示。下面是对最后一个含义的说明:（4．4）(4.5)注意到Y的列向量：(４．6)可见yi表示的是xi与P中对应列的点积,也就是相当于是在对应向量上的投影。所以，Ｐ的行向量事实上就是一组新的基.它对原数据X进行重新表示.问题在线性的假设条件下，问题转化为寻找一组变换后的基，也就是P的行向量(p1，p２，…，ｐm），这些向量就是ＰＣＡ中所谓的“主元”。问题转化为如下的形式：怎样才能最好的表示原数据Ｘ?P的基怎样选择才是最好的?解决问题的关键是如何体现数据的特征。那么，什么是数据的特征，如何体现呢?三、协方差衡量如何选择最优的P基需要借助协方差来进行衡量和判断：(4。９）A，B分别表示不同的观测变量所记录的一组值,在统计学中，由协方差的性质可以得到:，且当且仅当观测变量A,B相互独立。，当A＝B等价的,将Ａ,Ｂ写成行向量的形式:,协方差可以表示为（4.10)那么，对于一组具有m个观测变量，n个采样时间点的采样数据X，将每个观测变量的值写为行向量，可以得到一个m＊n的矩阵:(4．11）接下来定义协方差矩阵如下：（4.１2)（4.1３)容易发现协方差矩阵具有如下性质：eq＼o\ac（○,1）ＣＸ是一个ｍ*m的平方对称矩阵。eｑ\o＼ac(○,2）Cｘ对角线上的元素是对应的观测变量的方差.ｅq＼o＼aｃ（○,3)非对角线上的元素是对应的观测变量之间的协方差。协方差矩阵CX包含了所有观测变量之间的相关性度量。更重要的是，根据前两部分的说明,这些相关性度量反映了数据的噪音和冗余的程度.在对角线上的元素越大，表明信号越强，变量的重要性越高;元素越小则表明可能是存在的噪音或是次要变量.在非对角线上的元素大小则对应于相关观测变量对之间冗余程度的大小.一般情况下，初始数据的协方差矩阵总是不太好的,表现为信噪比不高且变量间相关度大。PCA的目标就是通过基变换对协方差矩阵进行优化,找到相关“主元”.那么，如何进行优化？矩阵的那些性质是需要注意的呢?协防差矩阵的对角化总结上面的部分可以发现主元分析以及协方差矩阵优化的原则是：１）最小化变量冗余即对应于协方差矩阵的非对角元素要尽量小；2）最大化信号即对应于要使协方差矩阵的对角线上的元素尽可能的大。因为协方差矩阵的每一项都是正值,最小值为0,所以优化的目标矩阵CY的非对角元素应该都是0,对应于冗余最小.所以优化的目标矩阵CＹ应该是一个对角阵。即只有对角线上的元素可能是非零值。同时，PＣA假设P所对应的一组变换基必须是标准正交的，而优化矩阵ＣY对角线上的元素越大,就说明信号的成分越大,换句话就是对应于越重要的“主元”。对于协方差矩阵进行对角化的方法很多。根据上面的分析,最简单最直接的算法就是在多维空间内进行搜索：ｅq\ｏ＼ａc（○,1)在m维空间中进行遍历,找到一个方差最大的向量，令作p１.ｅq\o＼ａc（○,2)在与ｐ1垂直的向量空间中进行遍历，找出次大的方差对应的向量记作p2ｅq\o\ac（○,３)对以上过程循环，直到找出全部m的向量。它们生成的顺序也就是“主元”的排序。这个理论上成立的算法说明了PCＡ的主要思想和过程.在这中间，牵涉到两个重要的特性:1）转换基是一组标准正交基.这给PCA的求解带来了很大的好处，它可以运用线性代数的相关理论进行快速有效的分解。这些方法将在后面提到。２）在PCA的过程中，可以同时得到新的基向量所对应的“主元排序”,利用这个重要性排序可以方便的对数据进行简化处理或是压缩。四、PCA求解：特征根分解在线形代数中,PＣA问题可以描述成以下形式：寻找一组正交基组成的矩阵P,有Y=PＸ,使得是对角阵.则P的行向量(也就是一组正交基),就是数据Ｘ的主元向量。对进行推导：（4.１4)（４.15)定义，则Ａ是一个对称阵。对A进行对角化求取特征向量得:（4。16）则D是一个对角阵而E则是对称阵Ａ的特征向量排成的矩阵。这里要提出的一点是，A是一个m*m的矩阵，而它将有ｐ(p<=m)个特征向量.其中ｐ是矩阵A的的秩.如果p＜=m,则A即为退化阵.此时分解出的特征向量不能覆盖整个m空间。此时只需要在保证基的正交性的前提下,在剩余的空间中任意取得m—p维正交向量填充Ｅ的空格即可。它们将不对结果造成影响。因为此时对应于这些特征向量的特征值,也就是方差值为零求出特征向量矩阵后我们取,则，由线形代数知识可知矩阵P有性质,从而进行如下计算：(4.17）（４。１8）可知此时的P就是我们需要求得变换基.至此我们可以得到PCA的结果：X的主元即是的特征向量也就是矩阵P的行向量。矩阵对角线上第i个元素是数据X在方向的方差.我们可以得到PCＡ求解的一般步骤:ｅq\o＼aｃ（○,1）采集数据形成m＊n的矩阵。ｍ为观测变量个数,n为采样点个数。eq＼o＼ac（○,2)在每个观测变量(矩阵行向量）上减去该观测变量的平均值得到矩阵X。ｅq\o\ac（○，3）对进行特征分解，求取特征向量以及所对应的特征根。五、总结：PCA技术的一大好处是对数据进行降维的处理。我们可以对新求出的“主元”向量的重要性进行排序，根据需要取前面最重要的部分，将后面的维数省去,可以达到降维从而简化模型或是对数据进行压缩的效果。同时最大程度的保持了原有数据的信息。PCＡ方法和线形代数中的奇异值分解(SVD）方法有内在的联系，一定意义上来说，PCＡ的解法是SVＤ的一种变形和弱化。对于m＊n的矩阵X，通过奇异值分解可以直接得到如下形式：(4.１9）其中U是一个m*m的矩阵,Ｖ是一个n＊ｎ的矩阵，而是m＊m的对角阵。形式如下:(4.20）其中，是原矩阵的奇异值.由简单推导可知,如果对奇异值分解加以约束：Ｕ的向量必须正交，则矩阵Ｕ即为PＣＡ的特征值分解中的E，则说明PCA并不一定需要求取，也可以直接对原数据矩阵X进行ＳＶＤ奇异值分解即可得到特征向量矩阵,也就是主元向量。六、在数字图像处理中的应用PＣA方法是一个具有很高普适性的方法，被广泛应用于多个领域。这里要特别介绍的是它在数字图像处理中的应用，包括如何对图像进行处理以及在人脸识别方面的特别作用.数据表示如果要将PCA方法应用于视觉领域,最基本的问题就是图像的表达.如果是一幅N＊N大小的图像，它的数据将被表达为一个维的向量：（4。21）在这里图像的结构将被打乱,每一个像素点被看作是一维,最直接的方法就是将图像的像素一行行的头尾相接成一个一维向量。还必须要注意的是,每一维上的数据对应于对应像素的亮度、灰度或是色彩值，但是需要划归到同一纬度上。模式识别假设数据源是一系列的2０幅图像,每幅图像都是大小N*Ｎ，那么它们都可以表示为一个维的向量。将它们排成一个矩阵：(４.22）然后对它们进行PCA处理,找出主元.为什么这样做呢?据人脸识别的例子来说，数据源是２0幅不同的人脸图像，PCＡ方法的实质是寻找这些图像中的相似的维度,因为人脸的结构有极大的相似性(特别是同一个人的人脸图像）,则使用PCＡ方法就可以很容易的提取出人脸的内在结构，也就是所谓的“模式"，如果有新的图像需要与原有图像比较，就可以在变换后的主元维度上进行比较,衡量新图与原有数据集的相似度如何。对这样的一组人脸图像进行处理,提取其中最重要的主元,可以大致描述人脸的结构信息，称作“特征脸”（EｉｇenFacｅ）.这就是人脸识别中的重要方法“特征脸方法"的理论根据。近些年来,基于对一般PCA方法的改进，结合ICA、keｒneｌ—ＰCＡ等方法，在主元分析中加入关于人脸图像的先验知识,则能得到更好的效果。图像信息压缩使用PCA方法进行图像压缩，又被称为KａｒhuｎenandＬeｏve(KL）变换。这是视觉领域内图像处理的经典算法之一。具体算法与上述过程相同，使用ＰCＡ方法处理一个图像序列,提取其中的主元.然后根据主元的排序去除其中次要的分量，然后变换回原空间,则图像序列因为维数降低得到很大的压缩。例如上例中取出次要的5个维度，则图像就被压缩了１/4。但是这种有损的压缩方法同时又保持了其中最“重要”的信息，是一种非常重要且有效的算法。第二节人脸识别流程人脸识别系统处理流程一、人脸图像采集采集人脸图像是通过传感器采集人脸图像,并将其转换为计算机可以处理的数字信号。这是人脸识别的第一步。在采集人脸图像时,要注意用户人脸姿态，脸部有无遮挡，周围光照是否满足要求及设备采集图像的质量是否能满足要求。二、预处理预处理是为了除去噪声和对测量仪器或其他因素对人脸图像造成退化现象进行复原。从传感器采集到图像除了包含人脸特征信息，还包含背景信息,所以必须从原始人脸图像分割出我们要处理的部分。如何分割就需要定位和分割算法。他们一般以人脸图像在图像结构和人脸信号分布的先验知识为依据.常用的人脸预处理有人脸图像灰度化,人脸图像二值化，人脸图像归一化,直方图修正，图像滤波和图像锐化。三、特征提取特征提取就是计算机通过提取人脸图像中能够凸显个性化差异的的本质特征,进而来实现身份识别。本文讲解如何使用PCA算法提取人脸特征，进而实现人脸识别。特征主要包括三种类型:物理特征，结构特征和数学特征。由于物理特征和结构特征容易被察觉，触觉以及其他感觉器官所感知，所以人类常常是利用这些特征来对对象进行识别。对于计算机而言，模拟人类的感觉器官是很难实现的,但计算机在处理数学特征的能力上要比人类强得多，因此我们通过诸如协方差矩阵,统计平均值和相关系数等数学特征来构建人脸识别系统.特征提取和选择的根本任务就是从许多特征中找出那些最有效的特征。在样本数不是很多的情况下，可以利用这些特征进行分类器的设计,但是在大多数情况下，由于测量空间的维数很高，不能直接进行分类器的设计。因此,如何把高维测量空间压缩到低维特征空间，以便有效的设计分类器，便成为了一个值得思考的问题。为了获得有效的特征,一般需要经过特征形成，特征提取和特征选择等步骤。特征形成特征形成是根据被识别对象产生出一组基本特征的过程，当被识别的对象是波形或数字图像时,这些特征可以通过计算得来；当被识别对象是实物或某种过程时，这些特征可以用仪表或传感器测量来得到。通过上面方法获得特征被称为原始特征。特征提取原始数据组成的空间被称为测量空间.由于测量空间的维数一般都很高，不易设计分类器，所以在分类器设计之前，需要从测量空间变换到维数很少的特征空间，由特征向量表示。通过映射或变换方法用低纬空间来表示样本的过程被称为特征提取。映射后的特征称为二次特征，它们是原始特征的某种组合,通常是线性组合.特征选择从一组特征中挑出一些最有效的特征从而达到降低特征空间维数目的的过程称为特征选择。由于在许多实际问题中常常不容易找到那些最重要的特征,或者由于条件限制而不能对这些重要特征进行测量。从而使得特征选择和特征提取的任务复杂化.特征提取和特征选择在有些情况下并不是截然分开的，因为从一定意义上来讲，二者都是要达到对数据进行降维的目的，只是实现的途径不同.特征提取是通过某种变换的方法组合原有的高维特征,从而得到一组低维的特征。而特征选择是根据专家的检验知识或评价准则来挑选对分类最有影响的特征。比如可以先将原始特征空间映射到维数较低的空间,在这个空间中在进一步选择特征来进一步降低维度；也可以先去除那些明显不含有分类信息的特征，而后再进行映射以降低维度。四、特征匹配特征匹配是计算两个人脸图像特征样本的特征模块间的相似度即将采集到的人脸图像的特征模版与系统中已存储的特征模版进行比对,并输出最佳匹配对象。在本文主要讲解使用最近邻法分类器欧几里得距离来判别人脸图像，在实际广泛使用的还有基于SVM即支持向量机,基于神经网络和图匹配的方法.第三节基于ＰCA人脸识别算法的实现主成分分析为一种统计学中特征提取方法，在实际中应用的非常广泛。ＰCＡ是通过提取原始数据的主元来减少数据的冗余，使数据在低维度的空间中被处理，同时它还能很好保持了原始数据的绝大部分信息，有效的解决了由于空间维数过高而导致的一系列问题.如下将详细介绍如何使用PCA算法进行人脸识别。一、创建数据库在本环节中主要分为两个阶段，分别为：读入系统人脸数据库,并将图像变换为相应的灰度图像（a）（b）图（a）图像为系统人脸数据库中的原始人脸图像，（b）图像为经过灰度转换后的人脸图像同时将变换后的二维人脸灰度图像变换为一维人脸向量矩阵一个大小为M＊Ｎ的二维人脸图像可以看成长度为MN的人脸图像列向量。为了将二维人脸图像变为以为列向量，我们采取的措施为：首先计算出人脸图像的大小，然后将人脸图像经行转置，最后按列依次取出取出所有灰度值形成大小为MN的一维向量，其实整个阶段的效果相当于将图像的灰度值按行取出依次连接成一维图像向量。本环节完成后将会产生由一维图像向量组成的矩阵T.二、计算特征脸本环节主要包括三个阶段，分别为:对图像矩阵Ｔ进行规范化首先计算出图像矩阵中一维列向量的平均值m,然后对图像矩阵的每一列都减去平均值形成规范化的图像矩阵A。计算特征脸人脸训练图像的协方差矩阵为,其中人脸训练样本为，维度为，则协方差矩阵Ｃ的维度为。这就出现问题，C的维度过高，在实际中直接计算它的特征值和特征向量非常困难.因此，本文使用奇异值分解定理来解决这个问题.奇异值分解定理:假设B为维秩为p的矩阵，则存在两个正交矩阵和一个对角矩阵：正交矩阵为(４．２3）(4.24)其中（4。25）(4。26）对角矩阵为则可以得到，而且和有共同的非零特征值，和分别为和对应特征值的正交特征向量。由上述定理可以得到（4。27)则可以由协方差矩阵,构造出矩阵，从而容易求出L的特征值和特征向量,再根据上述（４—27)式可以求得协方差C的特征值和特征向量.实际上我们并不需要协方差所有的特征值和特征向量，m个(m〈M,M为特征值的数目）个特征值足够用于人脸识别。所以，实际操作中，只取L的前m个最大特征值对应的特征向量用于计算特征脸。在本环节,本文通过直接构造，来计算出L的特征值，再挑选Ｌ特征值大于１00的作为C的特征值，最后通过C的特征值计算出它的特征向量,从而形成特征脸。三、人脸识别人脸识别过程分为训练和测试两个阶段.在训练阶段,主要是提取数据库人脸图像的特征，并形成特征库。在测试阶段，主要是提取待识别图像的特征和计算提取的特征和特征库中特征之间的距离测度,并输出最小距离测度对应的人脸图像作为结果.具体步骤如下：训练阶段将规范化的图像矩阵A中的每一列向量投影到特征子空间，形成特征库。测试阶段eq\o\ac（○,1)假设测试人脸图像为Y，在人脸识别前，先对其进行标准化,即.eq\o\ac（○,2)把标准化后的人脸图像向特征子空间进行投影得到向量.eq\o＼ac(○，3)本文使用最近邻法分类器欧几里德距离［14,15]进行判决分类。测试图像与每个人脸图像间的距离为（k=1，2，…，P)，并将最小距离对应的训练图像作为测试图像的匹配图像。可以看出，在人脸姿态、表情有略微变化的情况下依旧可以成功识别出正确的人脸。人脸姿态发生变化下的人脸识别结果人脸表情变化下的人脸识别结果之后我们利用ＯRL人脸库和自建人脸库分别进行了测试。在OＲＬ人脸库的识别过程中,我们选取了20个人，每人4张照片作为训练样本。并对这20个人每人另取了一张照片作为测试样本.每个人测试后最终统计成功识别17个人，识别失败3人。因为我们采用的是最近邻法分类器欧几里德距离进行判决分类，因此对于识别失败的人同样会显示与其距离最小的照片。为了解决这个问题，我们决定在该判决分类的基础上加上阈值限制，当最小欧几里德距离高于某个值时，不再显示最近邻的照片，而是显示“无法识别”的提示。成功识别如下：当用训练集以外的人的图像进行测试时,欧几里德距离大于阈值，显示无法识别。接下来我们对欧几里得距离的阈值进行了一定的选取测试。如下图所示当阈值选取较大时（阈值取9*１0^１5)，图像可以更好的识别出来，但是此时不可避免的就是降低人脸识别的准确率，因此个别测试图像因为不标准而与训练库中某些图像的距离更小,就造成了识别错误。如下图所示,此时由于两幅图像的欧几里得距离更小,因而系统显示识别正确，其实是错误的。以测试图像3。ｊpg为例。而当阈值设定比较小时（阈值取4.5＊10^1５）,可以看到上面的测试图像３。jpg无法再识别成功，因为没有足够近距离的训练样本。尽管1７.jpg训练样本与3．jpｇ测试图像欧几里得距离最小，但因不在阈值范围内故表明不是匹配的图像.同样当阈值减小后，之前成功识别的11。ｊpg图像无法再成功识别出来。综上所述,再选定欧几里得最近距离判定距离时要考虑不能选取过大,降低成功率。因此我认为在建立人脸库时，尽量使所有的图像在相同的背景下进行采样，这样可以时每个人的测试图像和训练图像间的欧几里得距离均处在较小的范围内，可以提高准确率。此外，我们尝试用稍微侧斜和表情夸张的样本照片进行人脸识别。当侧脸和表情夸张照片作为测试样本时,程序依旧可以成功识别出对应的人脸照片,然而当这些侧脸和表情夸张的照片作为训练样本中的图像时,可能会影响其他测试图像的识别成功率，因为我们没有对侧脸进行研究，因此将问题放在后续工作中解决。结论本文研究的是基于PCA的人脸识别算法的实现.在试验中采用的人脸数据库为Essexfacｅs９4人脸数据库和自建的人脸数据库，人脸特征提取算法为PCA算法，分类方法采用的是最小距离分类法.通过实验发现在无光照变换，正面姿态，少量遮挡情况下，基于PＣA的人脸识别系统的识别率很高，而且反应很迅速。当然也存在着一些问题,例如本文对图像的光照变化,其他姿态没有进行考虑，但实际中这是无法忽略的问题，有可能会导致人脸识别识别率减小.为了进一步提高基于PＣA的人脸识别系统的性能和适应性,我们可以通过以下几个方面进行改进：改进图像获取方法:我们可以通过使用人脸检测和跟踪算法,在图像获取的时候，动态跟踪和检测人脸，只采集最佳姿态下的人脸图像。这在一定程度可以解决姿态所引起的问题,但也同时对系统的检测和跟踪人脸的反应时间提出较严格的要求。如果反应时间较长，对于快速移动的人脸可能错过采集最佳姿态的图像,而导致系统无法识别人脸。改进人脸识别特征提取算法：基于PCＡ的人脸识别虽考虑了人脸图像间的差异，但是不能区分这种差异是由光照，发型变更或背景导致，还是人脸的内在差异，因此特征脸的识别方法在理论上存在一定的缺陷。究其原因是人脸图像中所有像素都处于同等地位，在角度，光照，尺寸和表情变换可能会导致性能急剧恶化。采用同一个人的训练样本的平均来计算人脸图像类间散布矩阵可在一定程度上补偿这个缺点。同时也可以对输入的人脸图像做规范化处理,主要包括对人脸图像做均值方差归一化,人脸尺寸归一化。另外还可以在计算特征脸的同时利用K－Ｌ变换计算特征眼睛和特征嘴，然后将这些局部特征向量加权进行匹配，也可以将人脸图像分块进行PCＡ算法的比较，使各块的欧几里得距离都小于一定阈值时方可以成功识别人脸，这样可能会得到更好的结果。我们也可以将人脸进行差异化分类，可分为脸间差异和脸内差异.脸内差异表示同一个人脸的各种可能变形。脸间差异表示不同人的本质差异.在实际中，人脸图像的差异为两者之和。若脸内差异大于脸间差异，则认为两个人脸图像属于一个人的可能性较大.改进人脸识别的分类器:最近邻法分类器属于一种线性分类器.在实际中可以利用神经网络这类学习能力强的非线性分类器对高维人脸识别可能会取得更好的效果。综合不同的人脸识别方法：在目前，仅仅单独采用一种现有的人脸识别方法一般都不会取得很好的识别效果。各种技术和方法都有自己不同的适应环境和各自的特点。如果我们想进一步提高人脸识别系统的识别率，可以考虑使用数据融合理论，将不同的方法综合起来，相互补充,来取得很好的人脸识别效果。这也是为人脸识别的研究趋势之一。参考文献张翠平，苏光大。人脸识别技术综述[J］．中国图像图形学报,2000，5(11):56-58．龚勋.PCＡ与人脸识别即其理论基础[J].微计算机信息，20０７，3２（15）：１－7．程自龙,雷秀玉。基于Ｋ—L变换(ＰCA）的特征脸人脸识别方法综述[J]。中国图像图形学报，2010，20（２2）：15－18.倪世贵，白宝刚。基于PCＡ的人脸识别研究［J]．现代计算机，2011,23（4２)：2０-2２．徐飞。Matlａb应用图像处理[Ｍ］。西安:西安电子科技大学出版社，2０05．王映辉．人脸识别：原理，方法与技术[Ｍ］．北京：科学出版社，2010．高晓兴,李仁睦，王文佳.基于人脸分类和K—L变换的人脸识别新方法［J]．微计算机信息，2０10,26（３）：3—６.田印中,董志学，黄建伟．基于ＰCＡ的人脸识别算法研究及实现［Ｊ].内蒙古科技与经济，2010,4（20８）：15－１８．刘学胜。基于PCA和SVM算法的人脸识别［J］.计算机与数字工程，20１1,14（３):5６－5８．盛骤，谢式千,潘承毅．概率论与数理统计［M］．北京：高等教育出版社，200８。陈惠明．图像欧氏距离在人脸识别中的应用研究［J］.计算机工程与设计,２008，3（14）:22—2５．附程序代码：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(TrａｉｎDａｔａbasｅPａtｈ)；［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(’ÎÞ·¨Ê¶±ð。×î½Ó½üµÄÊÇ£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(＇\’,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mａtlaｂ程序实现人脸识别１.人脸识别流程１.１.1基本原理基于ＹCbCr颜色空间的肤色模型进行肤色分割.在YCbCr色彩空间内对肤色进行了建模发现,肤色聚类区域在Cb—Cｒ子平面上的投影将缩减,与中心区域显著不同。采用这种方法的图像分割已经能够较为精确的将人脸和非人脸分割开来。1。1.2流程图人脸识别流程图人脸识别程序人脸和非人脸区域分割程序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，则将长短轴同时扩大为原来的1.1倍if(Y>23０）a=1.１*ａ；b=1.１*b；ｅｎｄ％根据公式进行计算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则不是肤色，返回0;否则为肤色，返回1ifｖａｌue〉１ｒesuｌｔ=0;elsereｓult=1；ｅndｅnｄ人脸的确认程序ｆunctioneyｅ=finｄｅye（ｂImagｅ，x,y，w,h）％FＩＮDEＹESummaryofthiｓfunctiongoeshere%Deｔailedexplanａtioｎgｏeshereparｔ＝zeros（ｈ,ｗ)；%二值化fori＝y:(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）；%如果区域中有两个以上的矩形则认为有眼睛ｉfnum＜2eye＝0；ｅｌsｅeye=1；endｅnd人脸识别主程序clｅarall;％读入原始图像I＝iｍread（’faｃｅ3.ｊpg’）；gray=rgb2gray(I）；yｃbcr=rgｂ２ycbcｒ（I）;％将图像转化为ＹCbCr空间hｅighth＝size（gray,1)；%读取图像尺寸ｗｉdth=sｉze(grａｙ，2）；fori=1：heighth％利用肤色模型二值化图像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)%根据色彩模型进行图像二值化grａｙ(ｉ，ｊ）＝255；elseｇray（ｉ,j)=０;endendenｄendｓｅ=ｓｔreｌ('aｒbitrary'，eｙe（５));%二值图像形态学处理gｒａｙ＝iｍｏpｅｎ(ｇｒaｙ，se);fiｇure;imshoｗ(ｇraｙ）［Ｌ,num］=bｗlaｂel（graｙ，８);％采用标记方法选出图中的白色区域stａts=regionpｒops(L,'BoｕndｉｎgＢox＇)；%度量区域属性n=1；%存放经过筛选以后得到的所有矩形块reｓｕlt＝zerｏｓ（ｎ，４）;fｉgure,iｍshow（I）;hｏlｄｏn；forｉ＝1：num%开始筛选特定区域boｘ=stats(i）.BoundingBoｘ；x=box（1);％矩形坐标Xｙ=ｂｏx（2）；％矩形坐标Yｗ=ｂox(３）;%矩形宽度wh=ｂｏx(4)；％矩形高度ｈraｔio=h/w；%宽度和高度的比例ｕｘ=uｉｎt１6(x）;ｕy＝uｉｎt8（y);ifux>1uｘ＝uｘ-1；endｉｆuy＞1uy＝ｕy—1；enｄｉfｗ〈20｜｜ｈ＜2０|｜w*h＜400％矩形长宽的范围和矩形的面积可自行设定ｃoｎｔinueｅｌseｉｆrａｔio＜2&&ratio＞0．6&&fiｎdeye(gray，ｕx,ｕｙ，w,h)==１％根据“三庭五眼”规则高度和宽度比例应该在（0。6,2)内；resuｌt(n,：)=[ｕｘｕywｈ］；n=n+１；endeｎdifsize(ｒeｓulｔ，1）=＝1&&ｒｅsuｌt(1，１）〉0％对可能是人脸的区域进行标记ｒectangｌe(’Position’，[result（1,1），resｕｌt（1,2)，ｒｅsｕlt（1，3),resulｔ（１,4）],'EdgeColor'，’r＇);elsｅ%如果满足条件的矩形区域大于１，则再根据其他信息进行筛选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);%得到符合和人脸匹配的数据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%得到人脸长度和宽度的最小区域arr３=[];arr3＝sｏｒt（ａrr1,'ascend’);ａrr4=[]；arr４=sort(arr2,’asｃeｎｄ'）;％根据得到的数据标定最终的人脸区域form＝1:sizｅ(result，1）m1=resｕｌt（m，1);ｍ2=result（m，2）；m３=result（m，3)；m4=resｕlt(ｍ，4）；％最终标定人脸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)程序说明人脸识别程序主要包含三个程序模块，人脸识别主程序由三部分构成。第一部分：将图像转化为ＹCbＣr颜色空间，根据色彩模型进行图像二值化,二值化图像进行形态学处理、开运算,显示二值图像；第二部分：采用标记方法选取出图中的白色区域，度量区域属性，存放经过筛选以后得到的所有矩形块,筛选特定区域,存储人脸的矩形区域;第三部分:对于所有人脸的矩形区域,如果满足条件的矩形区域大于1则再根据其他信息进行筛选,标记最终的人脸区域。图像分割程序中，利用肤色可以较为精确的将人脸和非人脸区域分割开来，得到较为精确的二值化图像。人脸的确认程序，以存储的所有矩形区域作为研究对象,当区域内有眼睛存在时，才认为此区域为人脸区域3运行结果第一幅图原始图像肤色分割的二值化图像人脸识别图像第二幅图原始图像肤色分割的二值化图像人脸识别图像第三幅图原始图像肤色分割的二值化图像人脸标定内蒙古友恒煤炭有限责任公司益民煤矿52０1工作面地表岩移观测研究报告编制:审批：矿长：日期：第—章520１工作面观测站概况第一节概况益民煤矿于２0１1年12月正式投产,矿井设计生产能力１．2Ｍt／a，矿井采用斜井单水平开拓，建有主斜井、副斜井和回风斜井3条井筒,主、副斜井、回风斜井布置在工业场地内。矿井开采标高为１195～１06２m，4－2煤层已于201６年全部回采完毕，现开采5—2煤层内蒙古友恒煤炭有限责任公司益民煤矿位于东胜煤田准格尔召—新庙矿区的东南部,其行政隶属内蒙古自治区鄂尔多斯市伊金霍洛旗纳林陶亥镇。矿井地理坐标：东经：110°17′45″～１10°2３′38″北纬：39°２0′10″～39°2３′３６″井田东西长约8．４6km,南北宽约6．3４m，为一不规则的多边形，面积为19．818km２1、交通本矿井向西3km为包府公路213省道，该公路是区域的主要运输公路.经包府公路向北到鄂尔多斯市东胜区约68ｋm，到包头市约1７０km，向南到神华矿区大柳塔约２8km，本区交通条件较为便利。2、地形地貌本区位于鄂尔多斯高原的东北部,从准格尔召到新庙，沿束会川一带，侵蚀构造比较强烈，多形成高原丘陵地形，沟谷纵横交错,均沿地表水系的各自区域流向。本区地势北高南低，西高东低，最高处位于矿区的西南部茆梁之上,海拔标高为12６０。2m,最低处位于区内东部的勃牛川沟内,海拔标高为１11７．0m.４、构造一、区域构造本区区域构造简单，基本构造形态为一平缓的单斜构造，岩层倾向南南西，倾角1～３°，一般在１°左右。区内无明显的褶皱和大的断层，仅有微波状起伏和断距较小的断层，对煤层无破坏作用。二、井田构造益民煤矿井田构造简单，基本构造形态为一宽缓的向斜，轴部走向为NE向，两翼地层倾角3°左右。区内无断层，无岩浆岩侵入.5、水文地质情况本地区属于干旱半沙漠温带大陆性气候，春季干旱多风，夏季昼热夜温凉,日温差较大，秋季凉爽，冬季严寒。全年降水量多集中在7－9月，降水次数虽少，但多为大雨或暴雨。据伊金霍洛旗气象站资料，全年平均气温6。2℃，最高气温36。6℃，最低气温－20．６℃，年平均降水量350mｍ，年平均蒸发量2492ｍm，蒸发量一般大于降水量的４~５倍。风季主要集中在4—5月和１0-１1月，以西北风为主，最大风速２4m／ｓ。冻土期较长，冻土最大深度１。5０m。本井田冲沟比较发育，勃牛川位于矿区的东部,其支流毕鲁图沟、母花沟是矿区内较大的沟谷，区内谷沟常年无水，仅在暴雨后形成短暂洪流。6、开采技术条件设计生产能力1。20Mt/ａ，矿井服务年限1７a。井田内主要可采煤层3层煤，分别是4—2、5-２、6－2号煤层。4—2号煤已于2016年年底回采完毕，现主要开采5—2号煤层。矿井分为１个水平，水平布置在5-2煤层，5—2煤开采工艺为综合机械化采煤工艺,首采工作面在一采区.第二节5201工作面情况５2０1工作面顺槽长１300米,工作面长２5０米，平面积3２500０平方米。开采侏罗系中下统延安组(J1-２y）的5－2煤层，煤层倾角1－3°，平均1°、工作面圈定的煤层厚度1.21～1．４78米,平均１。3米，设计采高１。3米.１、煤层、顶板、底板5—２煤层顶、底板，多数以泥岩、泥质粉砂岩为主,构成直接顶底。根据《内蒙古自治区东胜煤田准格尔召-新庙矿区详查地质报告》的成果,从抗压强度评价岩石软硬程度：泥岩的单向抗压强度小于３0MPａ，属于软弱岩石,粉砂岩的单向抗压强度在40～60MPa之间,多数为50ＭPａ，属于半坚硬岩石，胶结不好的砂岩抗压强度小于３0MPa,属软弱岩层。胶结好的砂岩抗压强度介于40～6０MPa,属半坚硬岩石。从泥岩、粉砂岩、砂岩软硬程度看,该矿区煤层顶底均为软弱—半坚硬岩石。2、地质构造情况根据实揭地质资料及５－2煤层底板等高线形态分析，该工作面地质条件简单，煤层底板起伏变化小,不存在断层等地质构造。开采煤层覆岩岩性根据地表出露和钻孔资料,在本区范围内分布有三迭系上统延长组,中、下侏罗统延安组（J1—２y)和第四系地层。由于地质作用的影响中、下侏罗统延安组的五个岩性段，仅残留一、二、三和四岩性段的一部分,残留厚度平均为1１0。2m。现由老到新分别叙述.１、三叠系上统延长组(T3ｙ）该组为煤系地层的沉积基底。其岩性主要为一套灰绿色中～粗粒砂岩，局部含砾，夹绿色薄层状砂质泥岩和粉砂岩.砂岩中黑云母含量较高且普遍绿泥石化。厚度5１。59m～１7７。7４m，平均1３7．９０m。2、侏罗系中下统延安组(J1—２y）该组为核实区主要含煤地层，出露于沟谷两侧.遭受风化剥蚀等地质因素影响,残缺不全，仅残留一、二、三、四岩性段的一部分。岩性主要由灰、深灰色粉砂质泥岩、泥岩、灰白色砂岩、灰色细砂岩、深灰色粉砂岩,灰绿色、灰黑色砂质泥岩、泥岩及煤组成。厚度3３。25ｍ~13０。５５ｍ,平均11０。２0m。与下伏地层延长组呈平行不整合接触。⑴第一岩段（J1-2y1)：该岩段从延安组底界到Ⅵ－l煤层顶界，厚度10.59m~３8。44ｍ,平均３2．７0ｍ，岩性主要为灰色或深灰色粉砂质泥岩、泥岩，夹灰白色砂岩。含Ⅵ煤组3层,煤层编号分别为VI-1、ＶI－2、VI-３，其中VI-1、VI－２煤层可采。⑵第二岩段（J1-２y2）：该岩段从Ⅵ煤组顶界至V煤组顶界，厚度8。69ｍ～３4。34m，平均27．20m。岩性主要为灰黑色泥质粉砂岩、泥岩、灰色粉砂岩，夹中、细粒砂岩，含V煤组3层,煤层编号分别为V—l、V-２、V－3,其中V-l、V－2煤层可采。⑶第三岩段（J1—２y3)：该岩段从V煤组顶界至Ⅳ煤组顶界，厚度9．4９m～３2．14m,平均２7.８0。岩性主要为灰白色砂岩夹深灰色粉砂质泥岩，含Ⅳ煤组2层，煤层编号分别为Ⅳ—2、Ⅳ－３，其中Ⅳ-2煤层可采。⑷第四岩段（J1-２y４):该岩段从Ⅳ煤组顶界到Ⅲ煤组顶界,厚度4．４8ｍ~2５。6３ｍ，平均2２．50m。下部岩性主要为灰白色砂岩夹灰色粉砂岩、砂质泥岩，上部岩性主要为深灰色泥岩、泥质粉砂岩，含Ⅲ煤组,煤层编号一层，即Ⅲ-2煤层，不可采。⑸第五岩段（J1－２y5）:该岩段从Ⅲ煤组顶界至延安组顶界，由于后期剥蚀,零星分布于矿区周围，厚度0~２８。７1m，平均9.68m。其岩性中下部为灰色泥质粉砂岩、砂质泥岩、泥岩互层，上部以灰白色砂岩为主，具大型交错层理。Ⅱ煤组在本区范围内已被剥蚀。3、第三系上新统（N２）该组地层广泛出露于井田,主要岩性上部为土红色泥岩、粉砂质泥岩、含砾，下部为紫红色、黄绿色砂岩、砂砾岩，砾石成分为石英、长石，胶结差.厚度0～１8.01m,平均１１.55m。与下覆地层呈角度不整合接触.4、第四系全新统（Q4)全区广泛分布，阶地堆积和冲积、洪积物、风成沙、细沙,本组厚度一般0~１9．61m,平均７。45m第三节５２01工作面地面观测站的设置和观测1、观测线的设计变形观测线设制为２条横线和1条纵线，两条横线应在全煤区,且距离至少相距5０米;一条纵线位于工作面中部全煤区。变形观测点应设立在变形体上能反映变形特征的位置，并且应设置成直线。在每条观测线上工作面以内,布设两个岩移观测点。观测点结构图１．2观测点结构观测点采用木桩上钉钢钉制作而成,埋深40０mm.露出地面1０0mm..3、观测站联测方法和日常观测工作包括使用仪器观测方法和精度要求观测站在设置10—１５天后,进行观测.连接测量根据矿区地面控制网和观测站位置及地形情况，按照【规程】对近井点的测量要求,用敷设导线的方法,测定观测线一个控制点的平面坐标和高程，其余控制点用5秒导线测量.全面测量地表移动前和稳定后的全面测量必须独立进行两次，其时间间隔不超过5－7天，在整个活跃期内,其间隔时间按T=H/6c（c为回采工作面的推进速度）计算。(3)巡视测量在走向观测线上采空区上方选择几个观测点进行定期的水准测量,当某一点的累计下沉量大于10mｍ时，即可认为地表已开始移动，进行第一次全面观测.在进行上述各项测量工作的同时，必须记录地表、地质、采矿、及水文地质等变化情况，主要是地表裂缝位置及要素，工作面的推进位置,采出煤层厚度、倾角和顶板跨落情况.对控制点的高程必须定期检查其间隔时间为一月。地表移动过程中的测量工作尽可能在一日内完成,最多不超过两天。（４)观测方法及精度要求采用全站仪观测。仪器型号为索佳SＴK220，全站仪测量精度：水平角的观测限差应不超过下表的规定:仪器级别半测回归零差（″）一测回内2c互差（″）同一方向值各测回互差(″)DＪ16９6ＤJ28１39DJ618—24三角高程测量的技术要求应符合下表：经由路线仪器级别测回数倾斜角互差（″）指标差互差(″）对向观测高差较差（mｍ）附合或环线闭合差（ｍm)中丝法三丝法三、四等点DJ1DJ242101５±１00S±5０S一、二级导线DＪ2２1１515第二章5201工作面地表岩移观测成果分析第一节工作面回采过程中一般规律和有关参数的确定一、下沉动态曲线的特征随着工作面不断向前推进，地表移动变形处于不断变化之中.根据走向主断面观测线观测成果,绘制成动态曲线图。从动态曲线变化中,可以看出有如下规律。1.随着工作面不断向前推进,下沉盆地范围不断扩大，下沉值不断增加.2．动态曲线为非对称型。固定开采边（开切眼）一侧较陡，工作面推进的一侧较缓和。3.各点下沉均经历了突发性阶段和稳定性阶段。前进中各次观测下沉曲线的间距与工作面验收的间距也基本相等，这证明覆岩能很快垮落而传达到地表。二、地表沉陷起动距（d0）为了正确确定地面建筑物加固、维修和观测时间等,需要知道地表开始移动时工作面推进的距离(简称起动距）。起动距主要决定于顶板的岩性（包括节理）和采空面积。一般是工作面推进(1/４～１/3)Ｈ,或采空面积达到（２5~33）Ｈm2时,地表开始下沉,但坚硬顶板时例外。由于５20１工作面地表地形总体为南北高中部低，在此基础上表现为中部低而南北侧渐低之变化趋势。故地表开始下沉以观测的下沉值达到或大于10ｍm为标准.5２01工作面的走向观测线的移动变形图可知,当回采到20m时,开切眼附近上方地表的A５点发生２９mm的下沉。故确定5201工作面的起动距为2０m,此时的采掘深度为108m，故确定本观测站地表沉陷的起动距为0．２H。三、超前影响角为了掌握工作面推进过程中地表开始下沉的位置,需要知道开采的超前影响。一般要求工作面到开切眼的距离不小于0.4H时，按下沉10mm超前于工作面推进位置的距离Ｌ超，称为超前影响距。超前影响距也常用超前影响角表示：由5201工作面的走向观测线的动态曲线图，可绘制计算超前影响角如表2－１。表2—1５2０1工作面实测的超前影响角超前距L超(m）采深H(m）超前角ω（°）备注Ａ７5点3０134．877.５ｔanω=H/Ｌ超平均30１08７４．55201工作面平均超前影响角=７4。5°,即以0．28Ｈ超前影响.超前影响和上复岩层性质，工作面推进速度以及是否重复采动有关。四、最大下沉速度及最大下沉速度滞后角φ在工作面推进过程中，为了掌握地表下沉最剧烈的位置,需要知道地表最大下沉速度点的滞后距。最大速度点滞后于工作面的距离称为最大下沉速度滞后距L滞。最大下沉滞后角用φ表示:１.从每次观测的下沉值可得出如下图表示的最大下沉速度变化图。从图中我们看出每次测量的最大下沉值所在测点在变化,说明地面沉陷是一个动态的过程。总体上这种变化方向与随掘进方向一致，但中间过程也有反复。这说明地表沉陷是一个复杂的过程，不仅有向下的沉降，还有水平方向的移动，总体分析见后。2。由南北向观测线的动态曲线图，求得５201工作面φ角,列表2－2。表２－2５201工作面最大下沉速度滞后角点位滞后距开采深H（m）滞后角φ（°)备注Ｌ滞(ｍ）Ａ113６．21０９．6７１。6８７2６taｎφ=H/L滞Ａ２6２1.4１04．17８。33857Ａ502４。510８。7７5．２７9７4A633７.１1１０．４7０.0１72８平均２９．7108.374。67267求得5２０１工作面滞后角φ＝74。7°。即以向后0.3H距离为最大下沉速度位置。3．为更好地说明最大下沉速度的关系与移动量之间的关系,选择南北向主断面接近充分采动区的A31点及Ａ３2点求得最大下沉速度分别为:vwmax51=1６2。25mm/d和vｗｍax52=15９。5mm/d，而A31点和A32点的最大水平位移速度和最小水平位移速度分别为：vUmax3１＝6８。95mm/d和vUmａｘ32＝6１。３９mm/d、vUｍｉn31=-65。93mm／ｄ和ｖUmｉn32=-4０．28ｍm/d。图2-1A３1、A３2点的下沉和水平位移曲线表2—３A３1、A32点计算结果次数ＸYZ水平位移天数/水平位移速度下沉天数/下沉速度倾斜曲率变形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第二节地表移动变形和角量参数的确定一、地表变形最大值根据52０1工作面首次和最后一次观测成果,对两条观测线进行各种移动变形计算,并绘制观测成果图，详见附图2—2、附图2-3。将各观测线的移动变形最大值列于表2-4。表2—4５２0１工作面移动变形最大值统计表观测线移动变形最大值南北向线东西向线最大下沉值W0(ｍm）３７９619最大倾斜值i０(mｍ/M）41.３3-4２。226８.59——49．55最大水平移动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最大水平变形值ε０(mm/M）63。2555。59-65．79－60.03说明表中各种移动变形都比较小，这是本区特有的地质采矿等条件所决定的.图2—2东西向线地表移动变形图图２－３南北向线地表移动变形图二、地表移动变形分布规律1.走向线主剖面变形特征因工作面推进距离原因，走向线未达到充分采动,接近于临界充分采动位置,今后根据推采进度继续进行观测分析.2.倾向线主剖面变形特征从倾向线的移动变形曲线上看,两者变形基本上为对称型,在两端地面下沉变化都比较平缓，但在拐点附近变化陡急。最大变形值相差也较小。从图形分布看大体符合常规。三、地表移动稳定后的角量参数１。移动角利用主剖面上实测到的倾斜曲线、曲率曲线、水平变形曲线，分别求出移动盆地外边界i＝3ｍm/m、K=0。２×1０-3/m、ε＝2mm/m的点，取其中最外边一个点，将松散层移动φ方向投引到松散层与基岩的接触面上，再与采空区边界连线，则该线与水平线在煤柱一侧的夹角，即为新求移动角.如矿区无松散层移动角时,一般取松散层移动角45°。在5201工作面具体条件下,如用φ＝4５°来求基岩移动角.所求基岩移动角均大于90°.故只能不分松散层和基岩层求综合移动角。2．边界角与裂缝角以地表下沉为10mｍ的位置为边界点，与采空边界连线在煤柱一侧和水平线所成夹角便是综合边界角：而裂缝角仍指在充分采动或接近充分采动的情况下,采空区上方地表最外侧的裂缝位置和采空区边界的连线与水平线之间在煤柱一侧的夹角。3。充分采动角与最大下沉角充分釆动角指在充分采动情况下,移动盆地主断面上盆地平底边缘和工作面边界的连线与煤层之间在采空区内侧的夹角（ψ）。最大下沉角（θ)指在移动盆地的倾斜主断面上，采空区中点与地表最大下沉点的连线与水平线之间在下山方向的夹角。5201工作面煤层倾角α=5.5°，缓倾斜煤层。按《三下规程》中硬覆岩公式θ＝90-(0.6~0。7)α计算,θ值在8６°42／-860０9/之间，故取θ≈86０２5/。按上述方法求得各主断面综合移动角、综合边界角、裂缝角、充分采动角,列于表2-5。表2-55201工作面地表移动参数成果表观测线角别走向线倾斜线下山上山综合移动角δ６6βγ综合边界角δ０69β０69γ069裂缝角δ//β／／γ／/充分采动角ψ3６9ψ１63ψ26９最大下沉角θ86０25/说明最大下沉移动角θ,按规程覆岩中硬岩公式θ＝90－(0。6—0.７)a计算，故52０1工作面θ＝86025/四、松散层和基岩层移