三维重建是(3D reconstruction)计算机视觉以及计算机图形学领域中的一个热门研究课题。由微软公司于2010年发布Kinect深度相机后,基于Kinect等深度相机的三维重建的研究进入热潮。在一般情况下,基于Kinect深度图像的三维重建可以由以下几个步骤完成:深度图像获取及处理、深度图像转换、点云配准以及点云融合。其中,三维重建分为刚体重建和非刚体重建,而对于非刚性重建来说需要非刚性的点云配准和非刚性的点云融合算法。本文设计了一套人体深度数据采集系统,并使用Kinect获取的动态人体深度序列重建三维人体模型,并在点云的对应点估计、点云非刚性配准及非刚性点云融合等方面做出如下工作。(1)基于多台Kinect的人体深度数据扫系统本文提出了一种基于多台Kinect进行人体深度数据采集方案,并以此设计了一套人体扫描系统。该系统能够快速扫描人体,获取人体深度数据。(2)基于向量场一致性算法的点云对应点估计对应点估计是点云配准的关键步骤,而对于非刚性配准来说,对应点估计变得更加复杂。最近邻算法是对应点估计的常用方法,然而这种方法会得到很多的错误匹配。基于向量场“光滑”先验的向量场一致性算法用于2D图像特征匹配关系的过滤,本文将向量场一致性算法推广到三维点云的对应估计中,从而实现了3D点云对应匹配,加快了点云配准的收敛速度。(2)基于稀疏节点的非刚性配准点云的非刚性配准需要估计大量的变换参数,计算复杂。基于稀疏节点的非刚性配准通过在源点云均匀采集点构成“图”,并且通过“图”节点的变换矩阵来表示整片点云的形变能力,大大提高了配准性能。由于误匹配会造成对应点法线差异较大,进而影响非刚性配准的性能。为了降低误匹配对配准的影响,本文在基于稀疏节点的非刚性配准模型中加入法线一致性正则约束项,进而降低配准误差。(3)点云非刚性融合的体变换矩阵场获取基于截断符号距离函数(Truncated Signed Distance Field,TSDF)模型的深度数据非刚性融合需要求得TSDF体变换矩阵场。传统方法一般对矩阵集合进行线性插值来得到变换矩阵场,这种线性插值并不能得到光滑的变换矩阵场。本文将三维薄板样条插值算法应用到变换矩阵插值中,得到光滑的变换矩阵场。