三维重构是计算机视觉研究领域的一个重要的分支。在一些实际的应用中,如海关、机场等,由于面向的对象数量较多,其信息库中对单个对象的存储图像数量会比较少,即小尺寸图像序列。对于小尺寸图像序列,相邻两帧之间的对应特征点,变化可能会比较大,即帧与帧之间不平滑。图像序列的样本数较少,或帧与帧之间的不平滑,一般会显著降低已有三维重构算法的精度。针对以上问题,本文开展了以下两个方面的工作。(1)对于单帧的二维图像,通过建立约束项,调节系数的稀疏度,提出了一种基于多约束的三维形状估计方法。首先,在训练数据已经给定的情况下,构造了一个具有弹性网络的稀疏表示模型,用于形状基的提取。在稀疏表示模型中,通过弹性网络约束,即L1-范数和L2-范数,调节系数的稀疏性和尺度。其次,考虑到变换矩阵的正交约束,以及二维最小二乘与形状基之间的相似性约束,建立了一种用于三维形状和运动估计的惩罚最小二乘模型。最后,通过增广拉格朗日乘子迭代算法,优化估计模型,以获取三维形状的估计结果。对于CMU图像序列,实验结果验证了该算法的有效性和可行性。(2)提出了一种利用高斯混合模型,增加样本数据的方法,以增强图像序列之间的平滑性,从而提高三维重构的估计精度。首先,对于相邻的两帧图像,根据特征点的对应关系,建立点集配准的高斯混合模型。在高斯混合模型的优化过程中,不同迭代过程中获取的变换点集,依次选取作为两帧之间新的样本,从而增加了相邻两帧之间的平滑性。然后,建立一个基于概率分布的重构模型,通过期望最大化算法,进行模型参数的优化,以获得三维形状的估计结果。实验结果表明,和已有的多种方法相比较,此方法对三维形状重构具有更高的准确性。