基于影像的三维重建是摄影测量和计算机视觉领域重要挑战之一,目标是从通过相机获得影像中获取有用的几何及语义信息。基于影像的三维重建,需要准确计算相机的内外方位等元素。在摄影测量领域中,一般使用空中三角测量技术求解影像的位姿,但空三过程中需要提供较为准确影像位姿与物方点的初始参数。与传统摄影测量中空中三角测量不同,计算机视觉中运动恢复结构(Structure from Motion,SFM)因整个流程完全自动化进行的特点,引起了学术界的广泛关注与研究。运动恢复结构是从有一定重叠区域、存在不同视角之间的多幅影像中恢复出相机位姿姿态和场景中加密点坐标。本文利用增量式SFM对无人机航拍影像进行稀疏重建,围绕着提升SFM的效率与稳健性进行研究。论文主要内容有:1、阐述了增量式SFM基础理论部分。介绍了通用的相机小孔成像模型及畸变模型。介绍了特征点提取与匹配,多视图几何基础,包括对极几何模型、三角测量等知识,对其中关键的数学模型进行了推导。对光束法平差模型进行理论推导,分析了不同解算方法的优劣势。2、为提高增量SFM效率,本文对耗时较为严重的特征匹配和光束法平差进行研究。对带有POS数据的影像通过预先计算影像间的重叠度,提供初始匹配列表,对无POS的影像利用金字塔匹配方式确定影像匹配关系,再使用金字塔匹配方式进行逐级引导匹配,使特征匹配时间复杂度从O(n~2)降至为O(n),可以大大缩短匹配所用时间。利用Schur补方法加速大规模光束法平差的解算,可以提升平差的解算效率。本文方法在处理数百幅影像时,效率较商业软件Smart3D有所提高;与COLMAP相比,本文方法效率存在明显上升。3、为增加增量式SFM鲁棒性,本文对如何剔除误匹配结果以及新影像添加策略进行研究。为兼顾可视物方点的数量与分布对影像注册精度的影响,本文提出了一种基于评分的方式添加新影像,使得影像添加更为合理。利用带有几何验证的RANSAC剔除误匹配点,并根据每次迭代结果动态确定迭代次数,使得增量式SFM系统更为鲁棒。多组实验表明,本文方法空三精度满足1:500测图规范要求。4、针对带状区域无人机影像行自检校光束法平差误差累积严重问题进行了深入研究,提出了一种基于KD树与K-Means结合的影像分类自检校方法。首先根据影像GPS位置信息构建KD树,确定拟分割影像集合的数量以及K-Means的种子点,采用K-Means对影像数据集进行自动分类;然后对每类影像分别进行自检校光束法平差;将自检校得到的多组相机参数进行加权平均,得到初始相机参数;最后根据初始相机参数进行全局自检校光束法平差。多组实验表明,分类自检校与室内检校场检校参数的像点畸变不符值均方根误差为0.5个像素,检查点点位均方根误差为10.1cm,且较Smart3D、Visual SFM和COLMAP软件具有更能精确地表示数据的原始姿态。分类自检校方法可为带状区域无人机影像自检校空三提供一种有效的方案,具有较强的实践应用价值。