在数字产业和虚拟化应用发展过程中,随着消费级RGB-D相机的普及和三维重建技术的进步,采用较低成本的扫描设备重建高质量的三维模型具有广阔的市场应用前景。近年微软推出Kinect2.0,采用了与Kinect1.0不同的深度传感技术,在硬件性能上有了较大的提升。本文重点研究基于Kinect2.0的实时三维重建,关注三维重建时模型残缺及清晰度较低的问题,针对如何弥补消费级深度相机扫描带来的空洞,降低扫描干扰噪声及提高模型精度和质量展开研究。主要工作如下:(1)在深度图像降低噪声方面,对影响深度采集的因素进行分析,引入四种滤波器并通过对比实验得到各自深度噪声的处理性能,最终选择双边滤波为本文的预处理滤波器。(2)在深度图空洞补全方面,首先介绍了监督学习原理以及Torch深度学习框架,而后详细介绍了深度补全网络的设计原理,分别从数据库构建、训练特征分析、网络架构与训练这几个方面进行阐述,深入分析网络的性能和优势。并将其融合进实时三维重建系统中,实时对原始深度图进行空洞修复和补全,为后面点云处理提供高质量的深度信息。(3)在点云配准和融合方面,首先论述了重建过程中三种坐标系之间的转换关系,通过棋盘格标定法对Kinect2.0相机进行标定,得到深度相机的内参矩阵。接着介绍点云配准过程中估计变换矩阵、求解目标函数的原理,随后在ICP配准阶段,比较了点云重采样、对应点匹配的不同方法,并结合本文系统要求进行选择。而后讲解TSDF算法将多帧点云数据融合到全局立方体的过程,讨论了如何通过使用移动全局立方体和“frame-to-model”方法来扩展重建场景并降低累积误差,最后分析运用MarchingCubes算法完成由点云到三维模型的构建。(4)该系统主要利用FCN全卷积网络以及PCL点云库在Windows环境下完成实时三维重建,通过内部算法优化,提高了该系统的稳定性,使用者可以根据情况,对场景中人物或物体进行实时重建。