三维重建技术是指在三维空间中,借助计算机数字化的手段,对目标物体进行采集,最终使实体再现的技术。三维重建技术是计算机图形学、智能信息处理、计算机视觉、人工智能等多学科交叉领域的重要分支,在服装行业、大众娱乐、逆向工程等方面均有广泛的应用,引起了许多学者和研究人员的关注。最初的扫描设备主要用于项目研究等领域,并且由于其体型庞大、价格高昂、操作繁琐,因而难以在市场进行推广。本文将Kinect作为输入设备对目标物体进行采集,并对三维重建技术及算法进行了研究。主要研究内容如下:(1)在三维重建过程中,点云分割有着至关重要的作用,有效的点云分割能够为曲面重建、特征提取等操作提供精度更高的点云数据。考虑到随机采样一致性算法(Random Sampling Consensus,RANSAC)在实现点云分割过程中存在关键点匹配率低的问题,本文提出一种改进的RANSAC算法。首先,通过设置阈值的方式,将点云数据划分成内点和外点;其次,结合Hamming距离进行初始匹配,设置合适的角度和法向量两个约束条件以优化分割结果;再次,计算两个关键点之间的距离阈值以确保待分割点云表面特征的完整性,且不存在过度分割的问题;最后,根据优化后的分割方法得出分割结果。实验结果表明,改进后的RANSAC算法对目标物体的分割效果良好,并且降低了分割的误差率。(2)点云拼接是三维重建过程中必不可少的一步,由于扫描设备在测量过程中可能受到视野上的限制、待测物体自身的遮挡或是待测物体尺寸较大等的影响,使得传统的扫描设备难以在同一视角下获得目标物体的全部点云信息。迭代最近点算法(Iterative Closest Points,ICP)容易受到点云初始位姿的影响,鲁棒性较差,提出一种将多视点云数据作为研究对象,基于改进ICP算法的点云拼接算法。该算法在选取特征点时,将坐标轴与阈值相结合,设定一个阈值约束候选点的搜索范围,以减少不必要的计算量。在此范围的约束条件下得到欧氏距离最近的点云数据集,并使用改进的ICP算法进行点云拼接。实验结果表明,使用本文算法较传统ICP算法能减少迭代耗时、提高拼接精度。(3)借助最小二乘法(Moving Least Squares,MLS)对数据进行观测和处理,完成三维重建的最后一步。首先,点云中的每个数据必须先使用法线估计算法进行预估;其次,对贪婪三角化算法、移动立方体算法、泊松曲面重建算法分别进行了介绍;再次,鉴于曲面重建算法对于三维重建高精度的要求,本文选择泊松曲面重建算法,通过对向量场进行定义,构造出泊松方程,借此求解出指示函数,将曲面重建问题转化为求解泊松方程的问题;最后,提取出等值面以完成曲面重建。实验结果表明,泊松曲面重建算法能够很好地完成三维重建的任务,并达到预期的效果。