基于稠密SLAM(Simultaneous Localization and Mapping)框架的多对象跟踪与重建技术,在机器人导航、人机交互、增强/虚拟现实等领域都具有重要的研究意义与应用价值。然而,系统往往会由于场景中的物体被大面积遮挡或离开相机视场等因素而无法正确检测出动态对象,此时跟踪过程就会失败。为了实现对场景对象进行鲁棒的长期跟踪,本文提出了一种非监督的动态对象长期跟踪与三维重建方法,能够独立地区分静态背景和每一个动态前景对象,主要工作和贡献如下:1.提出了一种结合二维视觉和深度信息的目标精确跟踪策略,允许在大面积遮挡或长期离开相机视场的情况下正确检测与跟踪动态场景对象。先通过一种运动姿态估计能量函数计算出每个数据点的运动姿态,再将运动姿态与输入的RGB-D信息结合,执行基于边缘优化策略的分割操作,将具有相似性质的数据点聚集到同一集合,为每个动态对象生成独立的跟踪区域。实验结果表明本文方法生成的分割区域较为贴合对象边界,并且总能为每个对象保持独有的跟踪标记,实现鲁棒跟踪。2.提出了一种基于自适应融合与更新策略的三维模型重建方法,为运动姿态的计算提供了正向反馈作用。该方法需要上一帧的运动姿态计算结果作为先验条件,再结合回环检测优化姿态数据,将姿态数据与输入信息结合生成三维重建模型,最后利用自适应更新策略对重建模型表面进行优化工作。实验结果表明本文方法能获取良好的运动姿态结果,并且能生成接近真实情况的稠密重建模型。本文最后对所做工作进行了总结,并且提出了进一步的工作目标,包括减少内存占用量并提高运行效率,增加输入设备类型以扩展应用场景。