随着计算设备的智能化发展,机器视觉技术得到了广泛应用,如果想要使智能设备实现与现实世界的感知与交互,必须先要恢复它的三维空间场景。其中即时定位与场景重建(Simultaneous Localization and Mapping,SLAM)作为智能设备在未知环境中实现自主导航和场景建图的关键算法越来越引起人们的重视。同时,现阶段的SLAM三维重建工作主要集中于对静态环境的重建,若环境中存在动态物体,则在点云拼接阶段会发生严重的“重影”现象导致建图效果不佳。本文研究动态环境下基于SLAM框架的RGB-D三维重建方法。为消除动态对象的影响,我们通过深度学习算法引入语义信息以及当前帧和关键帧间的几何信息检测动态对象,从而获取更准确的数据关联和变换矩阵并对动态目标所遮挡的静态背景进行修复,进而实现动态环境下的三维重建。本文的主要工作如下:(1)详细介绍了SLAM算法技术背景和相关理论知识,分析了RGB-D相机的深度图成像原理和位姿变换的计算方法,然后对后端优化中常用的BA和位姿图优化两种非线性优化方法做了详细介绍。(2)深入探讨了传统静态场景下的SLAM三维重建算法ORB-SLAM2,对其基本框架中的视觉里程计跟踪、后端优化、回环检测等关键模块部分进行了详细研究。并针对在配准时需要对图像提取大量特征点并进行匹配这一过程时间复杂度过高的问题,改进ORB-SLAM2的特征提取算法,引入GPU并行计算加速特征点的提取,提高三维重建的整体速度。(3)提出了一种动态场景下基于SLAM算法的三维重建方法,鉴于深度学习在目标检测与分割领域的突出成果。利用基于卷积神经网络的语义分割算法Mask RCNN,实现场景中的目标检测及语义分割,并结合当前帧和关键帧的位姿信息检测场景中的动态物体并对分割区域进行标记,然后修复动态目标遮挡的静态背景,进而使重建过程中静动两态点云分离以实现动态环境下的三维重建。(4)对本文提出的算法进行了实验验证,首先验证了经GPU加速改进的ORB-SLAM2具有更快的特征提取和建图速度;然后分别利用TUM数据集验证了静态SLAM和本文提出的动态SLAM两种三维重建方法在静态和动态两种环境下的三维建图效果,本文所提出的动态SLAM可实现对动态场景中移动目标的去除以及遮挡背景修复,可有效剔除静态SLAM在动态场景中建图产生的杂点点云,并具有更好的建图精度。