三维重建技术中基于图像序列的重建方法是一个经典研究问题。该方法获得的最终模型的精度很大程度上取决于点云的质量,点云的质量由点云中点的精度与点的数量决定。基于图像序列重建过程中广泛使用的方法是从运动信息中恢复三维场景结构,该方法首先对图像序列中的图像进行特征提取,然后分析相邻两帧图像之间的特征,找到对应的匹配特征点对,根据匹配特征点对估算出拍摄过程中相机位置之间的变换关系,将匹配特征点对恢复为三维空间中的点云。该方法严重受限于重建图像上特征点的数量与图像间特征点对的匹配结果,对目标物体上没有匹配特征点对的区域,点云中将无法获得该区域对应的点信息。基于图像序列的三维重建算法研究中,有大量的点云稠密化算法通过分析图像的特性增加点云中点的数量,但是这些稠密化算法的研究重点都是在提出更好的特征提取方法或特征匹配算法上。因此,对特征很稀疏的目标的重建,仍然是三维重建中需要攻克的难题。本文主要研究目标是考虑对于特征稀疏的目标物体的重建,分析并设计一种具有普适性的提高点云稠密程度的算法。算法的目标是在点云稠密化的过程中脱离对图像特征点的依赖性,通过分析图像提供的轮廓等信息,提高点云的稠密程度,使算法能够对特征稀疏的目标获得较好的点云稠密度,具有更好的普适性。本文的主要工作包含以下五个方面。其一,算法对输入的初始点云进行尝试性派生,派生的过程以初始点云中的点作为立方体的中心,围绕该中心在立方体的各个方向上派生出新点,通过对点云中的每个点进行派生操作后获得尝试派生的新点云。其二,算法提出一种基于点的切平面约束来过滤新点云的方法,过滤操作将新点云中的离群点,不符合派生设定的错误点滤除。其三,算法提出一种基于轮廓约束的过滤操作,过滤新点云中浮于目标物体表面外侧的错误派生点。其四,算法在前两轮过滤的基础上提出了一种分析外包络性的过滤方法,该过滤操作将滤除新点云中包含在目标物体表面内侧的错误派生点。其五,算法提出迭代操作,将经过派生与过滤操作后获得的点云结果再次作为派生的初始点云,迭代化派生与过滤操作,经过几轮迭代后得到最终点云。综上所述,本文将点云稠密化过程分为了派生与过滤两个步骤,使用尝试性派生点和过滤错误派生点的方法,使稠密化过程有效的脱离了对图像中特征点的依赖性,最终算法能获得特征稀疏的目标物体的稠密化点云。本文提出的算法经过了几组图像集的测试,能够得到较好的验证结果。