1、當(dāng)處于強輻射的環(huán)境下時，出于對工作人員的保護，通常需要使用專用的機械裝置來替代人類進行作業(yè)，核環(huán)境操作機械臂即是其中一種。當(dāng)出于操作空間或任務(wù)等要求，機械臂被設(shè)計得很長且比較細時，機械臂容易因自身剛度不足而在運動時引起振動。常規(guī)環(huán)境下的振動檢測，當(dāng)前已經(jīng)有許多方法，但是在極端環(huán)境（如高溫、強輻射等）下，傳統(tǒng)的檢測傳感器往往無法使用，而基于視覺的檢測系統(tǒng)具有更強的抗干擾能力以及更好的檢測性能。基于上述背景，本文研究基于視覺的振動檢測算法及

2、其實現(xiàn)方案。
　　本文結(jié)合FAST（Feature from Accelerated Segment Test）角點和KLT（Kanade-Lucas-Tomas算法）算法，實現(xiàn)了快速的檢測算法?？梢詫崿F(xiàn)幀間位移序列檢測的算法常用的有背景差分法、幀間差分法、Mean-Shift算法及KLT算法等。因為在實際的運用場景中，相機處于機械臂的末端且隨機械臂一起運動所以不能滿足背景差分法和幀間差分法要求相機固定的條件；另外，可觀測目標(biāo)中也

3、沒有明顯可識別的顏色區(qū)域，這限制了Mean-Shift算法在這一場景中的運用。鑒于上述原因，文中使用了KLT算法來實現(xiàn)幀間位移序列的檢測。然而KLT算法也有自身的缺陷：計算過程涉及到了大量的浮點運算；這使得KLT算法在實際應(yīng)用中會占用大量計算資源進而使得KLT算法在計算能力弱的平臺下無法使用。基于機器學(xué)習(xí)的FAST角點算法使用了決策樹來選取特征點；這一方法被證明是快速可靠的特征點選取算法。所以文中使用了FAST角點替代KLT特征點作為K

4、LT算法的跟蹤特征。而在具體實現(xiàn)時，為了借助平臺的特性進一步提高該算法的運行速度，文中也使用SSE（Streaming SIMD Extension）指令集對KLT算法的跟蹤部分進行了修改。經(jīng)在Windows系統(tǒng)下驗證，上述更改能夠有效加快算法的運行速度且更改后的實驗結(jié)果能夠滿足要求。最后，將整個算法移植到了QNX系統(tǒng)下，并進行了實際測試；測試結(jié)果表明對KLT算法的更改能夠有效提高其在QNX系統(tǒng)下的運行速度。另外，為了實現(xiàn)圖像采集，在算