随着激光雷达（LiDAR）技术的发展，LiDAR点云数据在数字城市建筑物提取、三维建模等方面的应用越来越广泛。获取高精度建筑物数据是构建数字城市的重要内容，因此从LiDAR点云中提取建筑物屋顶已成为研究热点。目前，建筑物屋顶面的提取主要采用基于随机采样一致性（RANSAC）算法、区域增长、三维Hough变换算法以及几者组合的算法[1]。朱军桃[2]等采用一种基于三角面的区域增长算法来实现建筑物屋顶面点云的分割，并结合RANSAC和AlphaShape算法[3]把过度分割的面片进行合并；该方法对于处理复杂建筑物屋顶面的效果较理想，但对于分割狭长屋顶面的结果较差。杨洋[4]等根据建筑物边缘垂直或平行的特点，利用区域生长算法将屋顶面分成了不同的平面；该方法对于规则的建筑物屋顶面具有较好的效果，但易受点云密度影响，提取精度随点云密度的降低而降低，当点云密度低于1pt/m2时，可能会导致建筑物重建失败。闻平[5]等提出了一种基于点云数据的渐进式建筑物提取方法，采用改进效率的Hough变换提取点云中的平面，再根据相邻点方位角阈值和RANSAC算法拟合建筑物轮廓线，从而提取出建筑物；该方法对于长边和复杂边界建筑物提取效果较好，且提供了一整套提取建筑物的流程。由于点云数据杂乱且数据量大，提取的屋顶面仍存在不完整、识别错误等问题，进而导致提取效果不佳、数据处理效率低。针对建筑物屋顶面提取中屋顶面识别问题，本文提出了一种基于点云特征的提取方法，结合点云特征和基于密度的空间聚类（DB⁃SCAN）算法提取屋顶面。1研究方法1.1数据预处理为剔除原始点云中的噪声点，并分离地面点和非地面点，需进行数据预处理。本文利用CloudCompare软件进行数据预处理，选择该软件中的基于布料模拟滤波（CSF）算法，将地面点和非地面点分离开来。由于本文研究的重点是建筑物屋顶面的提取，而屋顶离地面具有一定的距离，因此通过设置高程阈值可剔除大部分噪声点。基于点云特征的建筑物屋顶面提取摘要：针对从激光雷达点云中提取建筑物屋顶面精度不高、效果不佳等问题，提出了一种利用点云特征的建筑物屋顶面提取方法。通过统计点云的屋顶面法向量特征识别屋顶面，利用改进的基于密度的空间聚类算法实现屋顶面聚类，并采用张量投票的方式解决屋顶面点云竞争的问题。实验结果表明，该方法能有效提取屋顶面点云，总体精度约为96%，能满足实际工作的需要。关键词：三维激光；点云；屋顶面；基于密度的空间聚类；分类提取中图分类号：P231文献标志码：B文章编号...
