近几年来,从图像序列产生高精度三维模型是目前广泛研究的一个热点问题。高精度三维模型在汽车自动驾驶、文物保护和数字城市管理等领域具有重要的应用价值。在城市场景中,因为人工场景是少纹理且常常具有细长的直线结构,这使稀疏点云重建的效果不理想。特别是一些比如围栏、支架或电线塔的细长结构,它们在点云重建只有很少的点。因此,需要一种新的特征表示方法来解决这个问题。故而本文提出了一种新的三维重建算法,它使用相机估计的特征点和额外的线段进行三维重建。首先本文使用小型无人机对城市场景进行拍摄,因为小型无人机在城市中可以大范围拍摄,且体积小、飞行条件低,能够自由地从各个角度对目标进行全方位图像获取。航拍所得图像间具有大面积重叠,为三维重建提供了良好的图像素材。然后本文通过传统的基于对极几何约束的三维重建算法获得相机位姿。根据多视图几何理论恢复得到相机的初始位姿以及场景的初始结构。利用捆集调整算法即依据重投影误差约束对相机位姿以及场景深度进行统一调整,最终得到精确的相机位姿。之后进行线段提取和匹配,本文首先使用LSD(Line Segment Detector)线段提取算法对图像中的线段进行提取。为了避免基于图像本身特征的线段匹配,本文在线段匹配使用纯几何约束的方法,利用已经得到的相机位姿对提取的线段集合进行线段匹配。它能够容忍一定程度的线段遮挡,具有很强的鲁棒性。最后,依据对极几何约束进行基于线段的三维重建算法。本文根据聚类的思想,将不同图像中对应同一三维线段的二维线段进行聚类,进而提出了一种增量式的线段三维重建算法。通过定义动态分组半径,对新加入图像的线段进行分组。在完成一张图像的匹配后,均执行三维线段的假设集合验证,剔除没有希望的线段假设。最后得到有效的三维线段集合,完成线段三维重建。经过大量实验证明,本文提出的方法可以对城市场景进行有效三维重建,密集稀疏点云,构建直线结构,在富线段的城市场景中可以获得有价值的三维模型。本算法有效地防止大量数据导致的性能低下问题,可以高效完成重建任务。同时本文的算法是逐步产生结果的,为将来在线三维重建打下良好基础。