随着人工智能(ArtificialIntelligence,AI)技术被广泛应用于生产生活,作为其视觉部分的关键组成,三维重建和三维模型后处理技术逐渐成为研究人员讨论的热点。现有的基于多视图的三维重建算法已经相对成熟,无论是单纯基于视觉的SfM算法,还是将定位导航技术与视觉方法相结合的视觉SLAM方法,重建所得模型都较好反映了真实世界三维物体的特征。但是,精度、速度和用户体验仍然是多视图三维重建方案亟待优化的指标。目前,为使三维重建过程快速便携,各种仅基于移动终端的三维重建方案应运而生。但是,考虑到智能手机的计算、存储和电池等资源有限,本文利用云端资源完成重建过程。如何在充分利用云端资源的同时,取得精度和速度的良好折中,是本文研究的重要部分。针对重建得到的三维点云模型不可避免地受噪声干扰的事实,本文着重解决离群点去除(Outlier Removal)问题,并实现和比较现有标杆点云平滑和曲面重建算法,最终得到较优的三维模型。本文的研究内容和主要工作包含以下方面:1.三维模型重建方面:本文设计并实现URNR-3D(Unified Real-Time and Non-Real-Time3D)实时/非实时统一的三维重建方案,支持实时无线数据流的采集,并将实时和非实时重构过程统一到一个三维重建框架中。具体地,URNR-3D具有两种重建模式,即非实时和实时。非实时模式下,用户通过基本的拍照/录视频和确认上传完成数据的采集。该模式下,用户可以确保高的图像质量,并且云端非实时重建算法具有较稠密、精细的优势,因此作为用户的一个选择。该模式适用于小规模场景的、但对重构速度要求不高的成像。实时模式下,用户手持移动终端对周围场景随意扫描,数据流被同步上传至云端,与云端实时重建算法对接。该模式的数据采集部分实现了无线实时数据流的上传,移动终端相当于一个无线摄像头,实时将数据流送往服务器的接收器,极大缩短了用户确认并上传的交互时间,同时,与通过照片集合上传相比,这种基于流的网络传输效率更高,适合本文中实时交互的场合。2.三维模型优化方面:这是本文的重点。事实上,无论由被动式多视图三维重建方法还是由主动式激光扫描仪得到的三维点云都不可避免地受到噪声的干扰。本文提出基于密度的离群点去除算法LSNOR(Outlier Removal for 3D Point Clouds with Large-Scale Noises),该算法能够自主估计参数,并且能够去除大规模噪声。主要贡献为:(1)提出局部一致性因子(Local Consistency Factor,LCF)的概念,用来表示点云的局部密度相似度。基于局部一致性因子,进行一致性检查,从而进一步完成参数的自主估计和点簇预处理。具体地,与以往基于密度的方法需要用户的交互确定参数不同,该方法实现了自主参数估计,这将带来更佳的用户体验。另外,经过点簇预处理被去除的离群点降低了点云的规模,这减轻了后续去除工作的复杂程度。(2)提出新的、适应三维点云的距离测度,将空间距离和颜色差别同时考虑进两点之间的差异,从而促进了内点(正常点)和离群点的分离。该距离测度充分利用了三维点云的颜色属性,提高了最终离群点去除结果的准确性。(3)LSNOR属于基于密度的聚类算法,因此其不需要点云分布等先验知识。针对合成的离散三维点云和真实重建得到的点云,本文完成对LSNOR的测试,实验结果证明LSNOR无论在离群点去除效果还是效率上都较现有标杆算法有所提升。最后,本文测试、分析和比较了经典点云平滑和曲面重建算法。