近年来,随着消费级硬件的性能提高、高质量的深度传感器被植入移动设备和人工智能技术的迅速发展,3D人脸识别、人脸模型重建及AR/VR等人工智能产品逐渐在移动设备上得到应用,促进了三维重建技术的普及。针对于轻量级的特定场景模型(如物体、人体、人脸)重建算法的研究是当前3D视觉领域的研究热点,在不依赖高配置硬件前提下实现对物体建模可促进物流、机器人抓取及互娱等领域的发展,商业价值大,因此本文基于深度相机的物体模型重建方法研究具有十分重要的意义。本课题以深度相机Real Sense D435和树莓派4B为硬件平台,基于Linux系统设计并搭建了针对物体建模的重建算法框架。以静态物体为重建对象,以实现快速、高效的模型重建为研究目标,提出了一种基于稀疏帧融合的物体稠密模型重建方案,在不依赖于高配置显卡加速且保证重建效率的前提下,快速构建出物体的稠密模型。文中研究了基于深度相机和人工棋盘格特征相结合的方法,获取相机的6D运动状态信息;通过分析相机的运动状态,确定参考坐标系及参考点;引入筛选帧环节,剔除位姿不正确的数据,筛选出有效的待融合帧。以提高重建效率为目标,在进行融合与重建前,使用深度学习中Yolo V2算法对待融合帧进行目标检测,得到物体在图像中的位置信息;结合深度图,提取有效的待融合的点云信息。以提高显存利用率为目标,设计了点云融合与重建模块。采用基于Voxel Hash结构的点云融合,融合方式使用截断距离方程(TSDF);采用DDA算法实现对哈希块的创建与更新,并通过Boundingbox信息约束Volume的尺寸,减少显存的浪费;采用移动立方体法对融合后的网格化模型进行插值运算,生成具有拓扑结构的三角面片模型。以提高生成模型的精度和质量为目标,设计了网格模型精细化处理模块,主要包括背景分离、平滑、泊松重构等,对生成的网格模型做进一步的精细处理。本文的最后将所设计的算法模块整合成为一个针对物体的模型重建系统,并通过多组数据测试验证了整套方案的可行性和模型重建精度。