本文研究基于Kinect等深度相机的室内场景三维重建,通过将惯性传感器应用于三维重建中来提高相机跟踪的稳定性、减少重建过程中产生的累计误差以及加快重建的速度。首先,研究了三维重建中相机易跟踪失败的问题。在相机位姿的估计过程中,原始的三维重建算法使用ICP算法来迭代计算当前帧的相机位姿。当重建过程中发生相机抖动时,ICP算法会陷入局部最小值,导致相机跟踪失败。本文将惯性传感器在当前帧获得的相机位姿作为初值代入ICP中进行迭代计算当前帧的位姿,防止ICP陷入局部最小值,提高了算法的鲁棒性。其次,研究了三维重建中长时间扫描带来累计误差的问题。在重建的过程中,由于相机传感器本身存在噪声,使得转换后的点云数据存在偏差;而且,如果空间中的特征信息不够丰富,那么在点云配准时就不会得到一个精确的匹配,使得配准结果存在误差。本文将惯性传感器获得的相机位姿与ICP计算得到的位姿通过不变扩展卡尔曼滤波(Invariant EKF)进行融合,获得更加精确的位姿。最后,研究了三维重建的实时性。在三维重建的渲染阶段,光线投射从表示场景的体积模型中获取场景中的表面信息,进行场景的可视化以及与下一帧的点云数据进行配准来计算下一帧的相机位姿。在不影响重建精度的前提下,通过分别计算当前帧位姿与前一帧位姿之差以及当前帧位姿与最近一次执行光线投射时的位姿之差,然后与预先设定的阈值相比,选择性地忽略光线投射来减少三维重建的运行时间,更好地保证实时性能。实验结果表明,改进后的算法可以在相机抖动时进行准确地跟踪,获得了更加精确的位姿,加快了重建的速度。