随着科学技术水平的不断提高,三维重建技术在工业、军事以及医学等领域得到了广泛应用,主要应用范围包括三维模型获取、虚拟仿真、非接触式测量、科学计算、增强现实、战场环境感知等方面。经过几十年的研究与探索,国内外的科研人员提出了多种三维重建理论与实现方法,但对于大规模场景下的实时三维重建仍然是极具挑战性的研究课题,例如,在战场环境中,利用安装在无人机上的视觉传感器来捕获目标场景,实时生成目标区域的高精度三维模型。为实现大规模、高精度以及高效的三维重建过程,需要重建算法能够鲁棒地应用于复杂场景,为此本文对复杂场景下的三维重建算法进行了深入研究,并结合GPU硬件加速实现对复杂场景的实时三维重建。本文的主要研究工作包括以下几个方面:(1)为了解决传统分层体积融合算法的计算复杂度较高且计算量随重建规模的扩大而剧增的问题,提出了一种基于空间体素融合的三维重建算法,改进了传统体积融合方法中的规则分层网格数据结构,实现对隐含表面数据的实时存取与更新。首先仅在观测时对表面数据进行存储,使其高效的流入和流出体素表,实现了传感器运动过程中的在线大规模场景重建;其次通过在GPU上完成深度图预处理,相机姿态估计,深度图融合和表面绘制几个核心阶段,实现对细粒度细节和大规模场景的交互式实时重建;最后通过实验表明,与传统体积重建方法相比,改进后的重建算法能够在保证重建精度的同时,平均重建时间为60.6ms,ICP姿态估计15次,用时23.0ms,重建实时性能较好。(2)为了解决传统自适应特征细分方法对局部特征区域的过度细分导致曲面绘制速度下降的问题,提出了一种改进的在线自适应特征细分算法。首先构造特征块处理单元来生成特征区域的动态细分因子,计算得出各自独立的特征块细分深度;然后根据细分规则对特征区域的体素块进行细分,进而控制GPU渲染块的数量,并通过建立块缓冲区与细分表的映射关系,来并行的处理每个细分层次上的类型相同的块,提高了重建表面绘制速度;最后生成新的GPU细分表和渲染表,用于支持体素块的动态细分和实时绘制。通过实验表明,改进后的算法能够在保证重建速度的同时,实现对大规模场景中局部细节特征的较精准地绘制。(3)为了解决大规模场景中特征区域不相关问题,提出了一种针对重复特征区域的GPU快速目标生成算法,更加适用于对尖点或折痕边大量重复出现的曲面的实时绘制。首先对带有相同拓扑结构的尖点或折痕边区域建立统一的基于八叉树的双三次B样条元,实现对邻接顶点信息的快速查询并且更精准的匹配模型上的特征点;然后使用广度优先遍历策略来对元中的面片编码并生成遍历元表,驱动GPU的硬件处理单元进行快速绘制;最后通过实验表明,对于表面特征大量重复出现的网格模型,该算法能够在保证模型无缝重建的情况下,实现对大规模场景中重复特征曲面的实时绘制。(4)针对传统在线体积融合系统存在的姿态估计漂移现象,实现了一种实时的端(CPU)到端(GPU)的重建优化框架。基于鲁棒的相机姿态估计策略,将所有的RGB-D输入值融合到一个有效的层次优化框架,并根据全局相机姿态来优化每帧,消除了对跟踪时效的严重依赖,能够连续地跟踪全局优化的帧。本文系统实时地估计全局优化姿态,支持鲁棒地跟踪恢复,并对大规模三维场景进行实时地重新估计以确保全局一致性,是一种集稀疏对应特征,密集几何和光线匹配功能于一体的并行优化框架。通过实验表明,针对复杂场景的三维重建,本文系统能够在保证重建精度的同时,在实时性和重建规模方面表现良好。