非刚性运动恢复结构技术利用物体二维图像序列的特征点观察数据,建立空间投影模型,估计出物体的三维结构和相关的运动参数。作为计算机视觉研究领域的一个重要方向,广泛应用于人脸识别、场景重构等众多应用场合。而实际应用中,可以提取的高质量图像有时会比较少。在这种情况下,对于已有的各种非刚性运动恢复结构模型,其估计精度通常会显著下降。另一方面,对于在线学习算法,存在着高自由度下重构精度低、训练时间长等缺点。针对上述问题,我们开展了以下两个方面的研究工作。(1)提出了一种有效的基于多个子序列弱估计结果集成的三维重构算法。首先,我们从原始序列中随机提取出若干相同大小的子序列。为了获得多元的估计值,进一步的,将所提取的子序列,分别通过基于旋转不变核函数的重构算法获得多个弱估计结果。最后,利用截尾平均法对上述所获得的不同弱估器的输出结果进行集成,得到最终的z坐标估计值。与目前已有的多种重构算法相比较,所提出的方法显著提高了小样本序列的三维估计精度。(2)提出了一种基于微分进化算法的在线重构算法。首先,我们选取与新增待估计帧相邻的前若干帧图像,去计算非刚性运动结构的刚性平均形状。进一步的,我们分别采用基于若干不同低秩的形状基矩阵来描述物体的非刚性形变。至此可根据不同低秩分别获得相应重构结果。最后针对上述各粗估计结果,我们引入了微分进化算法进行进一步优化,以获得最终三维形状。通过一组常用实验数据所得实验结果,证明我们所提出的在线重构算法相比于基于秩增长的重构算法,不仅显著提高了重构准确率而且还大大节省了计算时间。