道路作为重要的交通信息,与人类生活联系十分紧密,在城市的快速发展中起着关键作用。随着“智慧城市”以及智能交通的发展,道路信息的自动有效获取变得越来越重要。与传统道路信息采集方式相比,机载Li DAR数据拥高精度、高效的优势,在道路信息特征识别方面具有广阔的前景。目前,众多研究围绕从机载Li DAR点云数据中提取道路重要特征信息开展。但是,针对机载Li DAR数据中道路骨架线检测问题,国内外研究学者提出的算法都存在一定的不足,例如,提取方法无法适应多种道路类型、算法运行效率较低、以及机载Li DAR数据中存在的噪声干扰问题等。因此,本文以道路图像中最大道路宽度确定的最小尺度因子为基础,利用多层特征显著性提取道路骨架线。首先结合点云高度、强度以及距离特征,利用预处理算法逐步提取出精确的道路点云并转化为道路强度图像;其次,以最小尺度因子确定道路点对应投票场,先以无方向球张量投票获取道路极性显著性,设置阈值剥离道路边缘点及噪声点,以此为基础,再进行无方向的球张量投票和有方向的棒张量投票求取道路的线状显著性,提取最优道路目标,最后应用形态学细化算法生成精确的道路骨架线。本文利用模拟数据和三组机载Li DAR数据集进行对比实验,对张量投票算法的尺度因子敏感性和鲁棒性特征、点云预处理结果、道路点极性和线状显著性分布图、道路提取精度、点云转化为图像分辨率取值、以及算法时间复杂度进行分析。实验结果表明:(1)张量投票算法运行时间与关键参数尺度因子大小成正比,以道路宽度确定尺度因子参与投票可以提高算法运行效率,同时该算法可以从噪声背景中有效地检测目标道路,不同噪声密度的模拟图像提取道路检测质量均达88%以上。(2)基于极性与线状多层特征的张量投票算法能够提取出顺滑的目标道路线,逐步递进式有效抑制道路周边噪声的影响,利用本文方法从三个机载Li DAR数据集提取的道路骨架线检测质量均达到85%以上。