三维建模在目前的日常生活中使用广泛,例如在游戏、电影特效、城市和景观设计、建筑、虚拟遗产、虚拟环境等领域都有巨大的应用前景。基于序列图像对物体外貌进行三维建模,是计算机视觉领域方向内一个关键的研究方向。要对目标对象完成立体建模,先要获取其表面的三维点云。目前通过序列图像提取目标物体表面的三维点云,主要存在相机自标定精度较低、大数量图像匹配比较耗时、点云重建精度不高的问题。针对以上的几点问题,本研究主要完成以下工作:(1)针对相机自标定精度不高的问题,利用序列图像之间像素点和三维点的空间几何关系,提出了一种基于光束平差算法的局部-全局混合迭代优化的相机自标定算法。首先使用双向SIFT(Scale-invariant feature transform)匹配算法匹配序列图像,并从匹配结果中找出一组最优的图像对作为初值,分别通过対极几何关系和三角定位原理求解出初始相机参数和初始空间三维点并运用光束平差算法来优化初始参数。然后,根据匹配图像与三维点集的空间几何关系,迭代加入匹配的图像从而迭代标定完所有图像对应的相机,最后应用光束平差算法对全部标定结果完成最后优化获得输出的相机参数。通过对比多种自标定算法采用同一瓦尔博讷教堂序列图像集作为测试条件,实验结果表明,本研究提出的基于序列图像的相机自标定算法有较高的精度并得到了稀疏的三维点云。(2)针对多幅图像中大量图像匹配低效率的缺陷提出了一种邻域图像的匹配策略。对于目标物体,用相机拍摄获取图像时,采用顺序的拍摄方法,并对序列图像进行顺序编号。对于那些空间角度比较显著的图像对,其图像重叠区域很少,在确保匹配精度的情形下通过仅对图像邻域范围内重叠度较高的图像序列进行图像匹配从而提升大量图像匹配效率。实验中对实验室的目标物体拍摄大量图像进行分组测试,当采用8邻域匹配70幅图像时,匹配时间为全图像匹配时间的12.40%。(3)获取到稀疏的三维点云后,还要对其进行扩充获得稠密的三维点云。本研究通过改进PMVS(Patched-based Multi-View Stereo)点云获取算法实现从稀疏三维点云到稠密三维点云的扩展。为了保证稀疏三维点的置信度,对序列图像进行聚簇分类并改进图像的筛选和分类策略;在面片的选取阶段,通过加入颜色纹理归一化约束来减少错误种子面片的挑选;在面片的过滤阶段,对其法向量进行了修正从而实现减少了过多面片的误剔除并提高正确面片的置信度。通过对比实验,改进后的算法获取的三维点数量最高提高了21.67%。