1、隨著虛擬現(xiàn)實(shí)，增強(qiáng)現(xiàn)實(shí)的發(fā)展，三維重建技術(shù)受到越來(lái)越多的關(guān)注。除了傳統(tǒng)的重建方法以外，由于深度傳感設(shè)備的普及，如Kinect等，獲取物體的深度已經(jīng)變得非常便捷，三維重建也變得直接又迅速。盡管如此，這一大類(lèi)的深度傳感設(shè)備精度并不是很高，獲取的深度數(shù)據(jù)往往有較大的噪音以及邊緣的錯(cuò)誤，物體的幾何特征信息缺失，這對(duì)于三維重建后續(xù)的步驟影響較大。所以本文研究的問(wèn)題就是在Kinect獲取初始深度D圖的基礎(chǔ)上，結(jié)合其同時(shí)獲得的RGB彩色圖像對(duì)目標(biāo)物體

2、區(qū)域進(jìn)行深度優(yōu)化處理，利用深度優(yōu)化的結(jié)果達(dá)到點(diǎn)云優(yōu)化的目的，即本文的研究課題為基于圖像信息的點(diǎn)云優(yōu)化研究。
　　本文先對(duì)Kinect相機(jī)獲取的深度D圖和RGB圖在同一個(gè)坐標(biāo)系下進(jìn)行對(duì)齊處理，結(jié)合成RGB-D，然后從兩大類(lèi)完全不同的算法進(jìn)行研究如下：
　　首先，將常用于圖像分割的馬爾科夫隨機(jī)場(chǎng)（MRF:Markov Random Field）用于深度優(yōu)化處理。先從最簡(jiǎn)單的低階模型入手，然后利用二階插值估計(jì)加強(qiáng)細(xì)節(jié)特征的約束，最

3、后考慮到該算法在物體邊緣部分深度不連續(xù)的地方誤差較大，再利用邊緣窗口來(lái)進(jìn)行更強(qiáng)的約束。實(shí)驗(yàn)表明，該算法能夠較好地對(duì)深度進(jìn)行優(yōu)化處理，表現(xiàn)在點(diǎn)云曲面上，也能去除大部分的噪聲，并同時(shí)較好地保持物體特征細(xì)節(jié)，不足的是在物體邊緣的深度不連續(xù)部分誤差還是偏大。
　　隨后，本文研究了另一類(lèi)方法，即在明暗恢復(fù)形狀（SFS:Shape-from-Shading）的基礎(chǔ)原理下，利用非標(biāo)定自然光照條件下的光照模型求解本征圖片分解的相關(guān)參數(shù)：明暗值，反

4、射率以及局部影響因子，然后通過(guò)已經(jīng)計(jì)算得到的光照模型，法向量以及深度梯度這三者的關(guān)系來(lái)直接進(jìn)行深度優(yōu)化處理。實(shí)驗(yàn)表明，該算法總體上能取得較好的處理效果，但是在物體表面的細(xì)節(jié)上比較突出，不夠平滑，所以在圖像輸入的時(shí)候，會(huì)先進(jìn)行一個(gè)預(yù)處理，即先對(duì)輸入的深度進(jìn)行一個(gè)雙邊濾波處理，這樣的話(huà)能起到一個(gè)平滑作用，實(shí)驗(yàn)結(jié)果也有較大的改進(jìn)。
　　這兩個(gè)方法在模型的構(gòu)建及求解上都是比較類(lèi)似的，整個(gè)過(guò)程在文章中都給出了具體的步驟。同時(shí)，在最后一章，本