非刚性运动恢复结构(Non-Rigid Structure From Motion,NRSFM)技术,通过利用二维图像序列中的特征点,能够估计出物体的三维结构及相应的运动参数,是实现物体三维重构的一种重要途径。当图像序列中的样本较少时,即小尺寸图像序列,目前已有的NRSFM算法,性能会显著下降。这是因为少量数据只能建立起来有限的方程组数,而自变量数目相对多,难以求解最优解。此外,当NRSFM用于单帧图像重建时,如何通过字典训练模型,获取精确的形状基,是一个比较棘手的问题。针对以上问题,本文开展了以下两个方面的工作。(1)提出了一种基于集成轨迹组的小尺寸图像序列的三维估计方法。首先,利用成对点的距离权重提取一组轨迹组,以获取一定数量具有重叠的数据组。大量的小的随机轨迹组有利于增加视角,降低复杂形变导致的误差。然后,为了提高估计精度,设计了一种自适应秩选择策略,选择近似最优秩参数。对于获取的每一个数据组,利用列空间拟合(column space fitting,CSF)算法,估计观测矩阵的z坐标。对于基于CSF的弱估计器的输出,通过交替方向乘子法(alternating directional method of multipliers,ADMM)进行组合,以获取最终的三维形状。在几种广泛使用的图像序列上,实验结果验证了算法的有效性和可行性。(2)提出了一种基于改进的字典学习方法的单帧图像重建算法。在提出的方法中,设计了一种加权稀疏模型,能够训练出更准确的稀疏形状基。为了进一步提高三维形状估计的性能,设计了一种两阶段方案,即主要的三维形状估计和补偿性三维形状估计,利用加权稀疏表示模型,提取每个估计阶段的形状基。主要的三维形状是通过原始观测值估算的,补偿性三维形状是利用原始观测值和估计值之间的残余误差计算的。最后,通过增广拉格朗日构建优化的目标函数,并利用谱范数的近端算子优化参数,以获取最终的三维形状。对于广泛使用的CMU图像序列,实验结果验证了该算法的有效性和可行性。