近年来,计算机视觉技术飞速发展,如何利用序列图像高效、精确地重建出图像主体部分的三维结构成为当下的研究热点之一。现实场景的三维重建技术在物体检测与识别,数字化城市建设,医疗诊断,地形勘探,虚拟现实和增强现实等领域都有着广阔的应用前景。相比于其他主动式或被动式的获取三维信息的方法,基于图像的重建技术具有设备简单,操作灵活,低成本,对环境适应性强等特点。随着手机、平板等电子设备的普及,人们对于用手持式设备拍摄图像并完成三维重建的技术越来越关注。因此,本文针对同一目标在不同视角下拍摄的序列图像进行研究,实现了对序列图像的稠密三维点云重建。主要研究内容如下:1.分析相机成像的基本原理,介绍了相机成像过程中的四个坐标系间的相互转换关系。另外,通过对双视图的对极几何分析,介绍了三维重建过程中要用到的相机内外参数,并给出了具体求解方法。2.在选用定位更准确,匹配精度更高的SIFT特征点来实现图像配准后,利用增量式的稀疏重建算法SFM来恢复拍摄相机位姿,并通过三角化重建稀疏点云。在增量式添加图像并重建的过程中,每添加一幅图像就采用LM算法进行一次光束平差法优化,如此迭代添加图像能保证重建结果最优。3.对比现有的特征点匹配方法,提出了一种基于网格对应的双约束特征点匹配算法。首先,通过分析将匹配约束在不同阈值下的对应网格内,完成对匹配的初步筛选。然后,利用极线约束对匹配进行随机采样一致性(RANSAC)验证,剔除错误匹配。匹配对比实验表明,算法在提高了匹配数量和精度的同时,并不会增加匹配运行时间。4.研究在已恢复相机位姿后的序列图像中进行稠密三维点云重建的算法,引入基于面片扩散的稠密重建算法(PMVS)。在基础矩阵已知的前提下,可以重新对图像进行匹配,此时可以采用多种特征点同时提取和匹配的策略,尽量增加空间种子点数量。而在弱纹理区域,特征点分布稀疏,甚至没有,但可以通过种子面片扩散的策略实现重建。算法经过三次扩展和过滤,完成了对序列图像的稠密三维点云重建。