基于GPU并行三角化的点云模型快速重建方法

如何基于点云数据进行三维模型的快速重建已经成为研究的热点问题之一。本文首先介绍了Delaunay三角化的相关理论基础,总结了3种Delaunay三角网构建方法及各自优缺点;其次,提出GPU点云数据快速三角化方法,从分治法构建点云Delaunay三角网入手,提出并行自适应点云数据分块方法,将点云划分为若干个数据子集,并构建空间二叉树结构,在此基础上,实现并行三角化操作,并根据建立的二叉树结构,完成了子集三角网的合并,得到最终的点云Delaunay三角格网模型;最后,分别对7种不同密度的大规模点云数据进行了模型重建试验,相比于传统CPU方法,本文GPU方法能够将模型重建效率提高数十倍甚至上百倍,大大提高了模型重建的速度。