矿井安全已经成为众多安全问题中最主要的问题，大部分矿井研究都是针对煤矿等大规模矿产而进行的，对于钨矿这类有色金属的矿井安全研究却比较少见。但在地大物博的中国，有色矿井的遍布范围也不可忽视，而组成该类矿井的成分就是本文重点研究的岩体。矿井的塌陷很多是由于忽视早期的岩体裂缝所致。可见，基于岩体裂缝的特征分析对矿难的预防具有防患于未然的重大意义。

    矿井下的结构以岩体结构为主，岩体由于受到矿井下温度和湿度环境变化，以及人为开采等因素的影响，会出现一些细小的裂缝[1]。如果在开采中不提前防范，就可能会拉伸、贯通，从而形成更大的裂缝，对矿井的安全构成威胁。
    传统的岩体裂缝检测方法是通过人工井下观察、记录，来进行定期的检测。这种方法不仅会浪费大量的劳动力，而且还给作业人员的人身安全带了一定的危险。由于岩体的纹路特征和人体的指纹有着一定的相似性，因此本文将指纹识别算法技术引入岩体的动态裂缝识别算法中，并针对矿井岩体的纹路特征加以改进，形成一种岩体动态裂缝快速算法，从而为矿井岩体安全的智能无损检测提供了理论基础。
1 算法具体过程
    指纹识别算法引入到岩体的动态裂缝识别中，首先需要对生成的纹理图像进行预处理，并进行图像分割，也就是二值化，然后再细化，在细化的图像中提取特征点，再将特征点进行相应的匹配。
    本文提出的算法总体框图如图1所示,主要部分为图像预处理、图像二值化、图像细化及纹理匹配等。

1.1图像预处理
    图像的预处理是至关重要的部分，直接关系到特征提取是否取得很好的效果。为了保证从岩体内采集的图像不会失真，从而得到很好的增强效果，不能使用传统而又单一图像处理算法。因此需要融合多种处理技术，采用有针对性的一些处理方法。本文针对岩体裂缝图像特殊性，引入一种融合了多种处理技术的方法——SFC结合法[2]。该算法处理后的岩体裂缝图像不仅能有效地去除噪声而且还能锐化边缘，提高图像的对比度，能够把岩体纹路的前景图和背景图很好地分离开。
    SFC算法的具体步骤如下。
    (1) 利用改进的直方图灰度拉伸法进行对比度增强，该方法是对传统的直方图灰度变换和均衡的改进，目的在于改善图像的对比度，可以表示为：
    
 
1.3 纹理匹配
    纹理匹配就是图像匹配技术，主要包括基于灰度的图像匹配技术、基于特征的图像匹配技术、基于理解的图像匹配技术，而本文中所使用的图像匹配技术就是基于特征点的匹配。平面上的点模式匹配的一般问题是确定仿射变换下两个点集是否匹配[6]。原始裂缝图像纹理识别过程及出现裂缝图像纹理识别过程如图3、图4所示。

    两幅图像中的点匹配算法有：(1)选择物体投影图像上的特征点，如局部灰度极大值点、角顶点等。(2)利用所选择特征点在结构上或其他特征上的差异进行匹配。但由于纹理的特殊性,不能直接借鉴平面点进行匹配,而需要进行一定的转换。因而可以借鉴指纹识别中的指纹信息的特征点匹配算法来进行相应的纹理匹配。纹理细节点的两种模型分别是纹线末端及纹线的分叉点[7]。
    记录每一个细节点的如下信息：横坐标和纵坐标，即x轴和y轴的有关信息；所在纹线的切线方向角；细节点的类型，即属于末端点还是分叉点。对于一幅显示较好的纹理图像，通常能提取出40~100个细节点。在图3(d)以及图4(d)中可以看出所提取出的特征点通过细节点表示，指纹匹配问题就能转化成为平面点模式匹配问题。
2 实验结果
    选取了一个典型的角度采集原始岩体图像以及出现裂缝的同一角度和位置，使用Matlab 7.0对本文给出的算法逐步进行仿真测试，结果如图3所示。
     图3表示的是原始的岩体图像的一个图像预处理、二值化、细化并提取了图像特征点后的结果。可以看到该图像细化后的纹理和原始的纹理有着很大程度的吻合,达到了实验的预期效果。图像特征的提取主要针对图像纹线的末端或者有分叉的部分。通过特征点的数量可以看出，该特征点的提取效果较好，因为细小的分叉和纹理都被提取出来了。
    在与图3(a)同样的角度所拍摄的图像中在中间的位置出现了一道细小的裂缝,如图4所示。图像的分割结果以及图像的细化结果都在该裂缝所在的区域出现了复杂的纹理。因而在图4(d)提取的特征点中可以看出，在裂缝存在的位置出现了大量的特征点。由于该裂缝本身并不规整，该区域集中识别到了大量的特征点。
     图5所示为裂缝位置局部放大图的效果，可以看出虽然只是出现一道细小的裂缝，但是特征点却多出很多。由于特征点在该裂缝区域的分布已出现了很大的不同，因而匹配的结果也会不同，会出现不匹配的现象。当出现这一现象的时候，可以初步判定为出现了动态裂缝。

    已经有一些国内外的学者将指纹识别技术应用于其他图像识别中，尤其是针对图形较为复杂的图像，这种方法带来了一种新的角度和突破。而指纹识别技术的发展也到达了较高的水平，因此，可适当地选用一些比较成熟的指纹识别技术引入到其他的图像识别算法中。本文算法能够有效地检测出岩体裂缝的动态过程，接下来的工作是建立动态裂缝形变阈值的定量算法，从而给出岩体动态裂缝形变的量级定义。
    矿井岩体动态裂缝的识别算法对大型建筑、桥梁、公路物体的动态裂缝的监测研究都有较好的推广价值。本文针对岩体纹路所特有的特征，从尽量减少算法的复杂度出发，考虑到可能会被应用移植到硬件处理器上，因而也对实时性有一定的要求。所以综合考虑选取了适合的算法，通过实验验证了该算法的可行性。后续的工作就是不断改进和完善该算法，以提高识别率并且得到更好的处理结果。
参考文献
[1] 冯增朝，赵阳升，文再明.岩体裂缝面数量三维分形分布规律研究[J]．岩石力学与工程学报,2005,24(4):601-609.
[2] 尹兰.基于数字图像处理技术的混凝土表面裂缝特征测量和分析[D].江苏：东南大学，2006.
[3] GONZALEZ R C， WOODS R E. Digital image processing[M]. Publishing House Of Electeonics Industry, 2007.
[4] 廖昌俊，李玉柏. 指纹识别的二值化和细化的DSP实现[J].电子产品世界，2004(5):46-48.
[5] 王业琳，宁新宝，尹义龙. 指纹图像细化算法的研究[J].南京大学学报（自然科学），2003,4(39):468-475.
[6] Luo Xiping, Tian Jie, A minutia matching algorithm in fingerprint verification[C]. Proceeding of the 15th International Conference on Pattern Recognition, 2000.
[7] 傅景广，许嗣，王裕国.基于细节点方向分布的指纹特征匹配[J].计算机工程，2003,29(19):17-19.