本文全面阐述了“基于多视点采集物体图像以实现三维重建”步骤中的特征点提取以及立体匹配问题的研究与实验。特征提取是利用计算机视觉算法,从图像中提取计算机可以识别的特征的过程。立体匹配,是将立体对象表面空间点在不同视点采集的图像中产生的投影点,进行一一对应的过程。特征点提取和立体匹配是三维重建以及计算机视觉领域中重点研究课题。作者以提取出有利于匹配并且分布均匀的亚像素级特征点和生成具有鲁棒性和稠密性的视差图为研究目标,进行了系列研究,并获得如下结论:(1)兼顾Harris角点提取简单和SIFT描述符利于匹配的优点,设计了Harris角点和SIFT描述符结合的特征点提取算法。其步骤是使用改进的Harris算法提取出分布均匀的亚像素级特征点,然后为特征点分配主方向,并建立SIFT描述符。实验证明该算法提取出来的特征点,定位更加准确并且保留了SIFT描述符旋转不变性和对光照变化的适应性。(2)为了提高特征匹配的精度,用特征向量最近邻与次近邻欧氏距离比值法得到初匹配对,然后采用双向匹配策略以及随机采样一致算法删除误匹配。针对区域匹配窗口大小难选择以及匹配计算冗余的问题,提出一种基于视差梯度约束的快速区域匹配算法。该方法用视差梯度判断匹配点的类型,确定窗口尺寸,并结合前一点的视差值确定匹配的搜索范围。通过对比实验,表明本文的匹配算法比固定匹配搜索范围的方法,有更快的执行速度和更少的计算量。(3)为了利用区域匹配视差图的稠密性以及特征匹配视差图的鲁棒性,提出了一种区域与特征相结合的匹配算法。该算法首先对改进的Harris算法提取的特征点进行特征匹配,然后为非特征点使用区域匹配算法进行匹配。在区域匹配阶段,使用Canny算法提取图像的边缘特征,简化像素点的类型判断,并使用窗口内的特征点进一步的确定匹配搜索范围。本文的实验表明,联合匹配算法可行并且在边缘区域可获得较好的匹配精度。(4)对两视点图像的三维重建进行了研究。在OpenCV+OpenGL开发平台上,完成了相机标定、极线校正、特征提取与立体匹配等步骤,并采用三角测量法对标准图像库以及自采集图像进行深度提取,最终完成了物体的三维点云重建。