长期以来,动态物体的三维重建一直是计算机视觉和计算机图形学领域中一个热门的研究方向,该技术在虚拟现实/增强现实,计算机动画和人机交互等领域都有广泛的应用。刚性物体的运动只有平移和旋转,而它的形状是不变的。人们可以使用高精度的采集设备捕获目标多帧的深度数据,然后通过刚性配准的方法将目标的深度数据融合到规范帧中,得到刚性物体的三维模型。在自然场景中还有很多非刚性的对象。人体是典型的非刚性对象,人体在运动时发生非刚性变形。由于这种变形缺乏约束,因此对动态非刚性对象的三维重建仍然是一个挑战。基于模板的方法利用目标对象的先验知识来帮助重建,例如:加入预扫描的人体网格模型或嵌入的人体骨骼。人体的运动是有限制的,且运动状态变化往往具有规律性,数据驱动的方法希望从数据集中学习人体的运动模式,提取变形特征向量作为先验来约束人体网格变形并指导重建。本文以数据驱动的网格变形方法为基础,对变形基向量的提取和利用变形基向量重构变形网格的方法展开了研究。本文的主要研究工作如下:1、研究和比较常用的变形表示,使用旋转不变的网格差异作为变形特征向量。由于该变形表示具有全局性,为了获得紧凑的局部变形成分,我们对人体网格模型进行分割,结合局部变形成分提取算法,在关节区域提取局部变形基向量。2、研究局部变形成分提取方法。旋转不变的网格差异在属性和数据形式上与位移场、变形梯度等变形表示有所不同,我们使用旋转差异的幅度确定支持区域的中心,并使用广度优先搜索的方法根据旋转差异和缩放/切变分量的幅度确定局部支持,使用相同的正则化强度提取局部支持的变形。3、研究数据驱动的网格变形方法。使用提取的变形基向量约束人体网格的变形,指导人体三维建模。重构变形人体网格的任务可以表示为优化一个最小二乘问题。我们使用高斯牛顿法优化混合权重向量,混合变形基向量以满足指定顶点约束,获得合理自然的重构网格。实验结果表明,我们可以从旋转不变的网格差异特征向量中提取有意义的变形成分。在重构人体网格时,给定部分约束点的绝对位置,可以恢复出合理的人体网格模型。