随着移动互联网技术和虚拟现实技术的发展,三维服装模型广泛应用于服装设计、个性化定制、虚拟试衣、影视娱乐、动漫游戏领域,三维服装模型重建的研究吸引越来越多的服装、图形学等相关领域的研究学者的研究兴趣。由于服装具有材质柔软、易变形、易褶皱、结构复杂等特点,现有的三维服装模型重建需要花费较高的制作成本,且效率低下。为克服现有服装建模方法的不足,本文实现了单目多视角服装图像的三维重建,对服装模型三维重建过程中的关键技术展开了研究。具体研究内容如下:1.对多视角服装图像序列进行目标识别和实例分割。利用普通的图像采集设备获取的多视角服装图像序列由于分辨率低、噪声多,会降低图像特征点的提取和配准精度,从而影响重建效果。论文中为解决这些不足,在对图像序列进行降噪等预处理后,利用Mask R-CNN对服装图像序列进行了目标识别和实例分割,大幅度降低目标对象外冗余噪声的影响。2.服装图像特征点的提取与匹配。利用SIFT算法来提取服装图像的特征点与匹配点对,在特征点匹配过程中,由于SIFT算法忽略了空间向量的相关性,会产生较多的误匹配点对,针对Ransac算法剔除SIFT算法中误匹配对时误匹配率高的问题,本文利用余弦相似度算法对误匹配点对进行筛选,同时针对Ransac运算耗时长、效率低做了一些改进,进一步提高了特征点匹配的精度。3.三维服装模型的重建。本文研究了运动恢复结构算法(SFM),利用本文提出的特征点匹配算法获得了服装的稀疏点云数据,采用CMVS/PMVS方法将服装稀疏点云数据转为稠密点云数据,最后通过泊松表面重建得到服装三维模型。实验结果表明,本文提出的余弦相似度计算方法能有效降低点云噪声,从而降低特征匹配中的误匹配率;在提供相同数量的图像序列情况下,与基于SFM的重建方式相比,重建耗时少,能很好的表现服装三维表面细节。本文采用的单目视觉装置简单,成本低,所需场景限制较小,具有较高的鲁棒性,适用于批量化三维服装模型的重建。