随着计算机技术突飞猛进式的发展,不管是从硬件还是从软件上,都越来越能满足人们的需求。在计算机技术领域发展中,三维重建越来越成为机器视觉的研究重点,并在地图制图,建筑设计、施工和建造,国土安全与国防,娱乐、游戏与电子商务、制造业、资源与能源、文化遗产保护,科学分析等领域有广泛的应用。三维重建的目的在于利用实拍图片重建出场景的三维模型,其中在大型室外场景方面,基于面片的三维立体重建算法简称PMVS(patch-based multi-view stereo)以其各方面良好的表现,成为了研究的热点。本文主要对PMVS原算法做了详细的研究,并对其进行了改进。PMVS算法以其良好的表现,在多视立体领域得到广泛应用。然而,算法存在重建模型细节丢失与重建点位置不够精确的问题,这种情况在输入图片较少,重建场景纹理不明显时尤为严重。针对这些不足,对去除候选误匹配点及对种子点置信度的排序进行了研究:引入全局随机样本一致算法简称USAC(Universal Random Sample Consensus)去除候选误匹配点方法;提出双约束条件策略即去最值求平均策略和提高点的置信度策略,筛选出候选空间点中置信度较高的点作为种子点。初始种子点置信度的提高使得稠密重建时,面片的扩散更加快速,并且扩散出的面片成功率更高。通过在真实数据集上的实验,本文所测数据,生成稠密点云中点云的错误降低率提高了0.04%~6.905%,使得点云扩建细节问题得到了很好的解决。点云的面片提高率为3.873%~34.612%,使得纹理不太明显物体重建出点云片较少问题得到了很好的解决。重建模型细节与原物体的契合度有了很大提高,纹理较少模型的重建点云数明显增加,漏洞也明显减少。实验数据验证了改进算法具有更强的有效性和实用性。本文以哈尔滨理工大学校园一号楼为例进行三维重建,构建一个可视化管理系统,该系统实现了人员信息概况统计与相关字段查询功能,查询过程中,会先连接本地服务器,服务器对传入数据进行解析,然后从数据库中提取相应数据,之后,会将数据信息显示,将三维重建技术应用到可视化管理。