密集匹配点云作为一种新兴三维空间数据,可为大规模、低成本的单体建筑物获取提供数据支撑。但由于密集匹配影像质量的参差与匹配算法的局限性,生成的点云数据中存在大量噪声点与伪影。此外,点云中还存在与建筑物紧密相连的植被点云,这些因素都会影响建筑物单体化提取效果,甚至会造成城市房屋信息统计失误。针对上述问题,提出了一种面向密集匹配点云的单体建筑物提取方法。首先,基于点云尺度信息计算得到空间分布特征,并与经过投票机制选取的RGB信息结合去除以植被点为主的非建筑物点云,减小无关点云影响;其次,利用八叉树原理对点云进行体素化完成下采样,解决数据量大、密度不均、噪声点造成的提取效率问题;再次,为解决传统法向量在粗糙点云表面上计算不准确的问题,采用基于移动最小二乘的法矢估计方法进行稳健法向量提取;最后,基于体素化区域生长算法,从颜色、稳健法矢等多方面进行规则约束,实现建筑物平面的高精度分割,并引入空间聚合模块,完成单体建筑物点云提取。实验采用国内武汉新洲区与国外Switzerland地区的密集匹配点云数据进行结果分析,其中非建筑物点云滤波准确率分别达到92.26%、96.04%,对比于传统单一指数滤波方法效果提升5.03%、3.47%。建筑物单体分割的平均准确率达到97.85%,与传统的区域增长算法、基于直方图的建筑物单体算法、DBSCAN聚类算法、以及ST-DBSCAN聚类算法相比,所提算法在单体建筑物提取上具有更高的精度和更好的效果。论文有图27幅,表9个,参考文献51篇。