以光達點雲萃取道路的研究中，Akela et al. (2005)提出利用道路的幾何特徵為基礎 的方法，以萃取光達點雲中的道路區域。首先，使用不規則三角網(Triangulated Irregular Network, TIN) 將點群資料組合成平面資料，藉由計算各平面的法向量 (∆𝑛⃗ )與平均高度 (∆h)，將屬於相同平面的三角網合併。接著，以面積周長比(area-to-boundary ratio)偵測 平面的形狀為長條的帶狀平面，將其視為道路。比值越接近零者，表示該平面的形狀越
Jiaping et al. (2011)、Clode et al. (2004) 和 Hu et al. (2004)提出的方法，皆利用點雲 的高程與回波強度萃取道路。研究中將兩種資訊轉換成網格化的資料，以加速資料處理 效能。由於平面道路的高程通常貼近地表，因此以高程影像(Height Image)作為幾何的約 制，將地表的部分保留。接著，納入回波影像(Intensity Image)依照不同的回波強度對地 表物進行分類，分類通常是將草地、水泥道路、瀝青路、裸露地等與道路加以區分，得 到候選的道路區塊。如圖 2-7 所示，左邊影像為光達回波強度圖，中間則是從高程影像 中找到的道路候選區域(白色的區域為地表)，右邊則是整合兩種資訊交集後的結果。
圖 2-7、以高程影像與回波影像萃取道路區域示意圖(Zhao et al., 2011)
分類後的成果，再納入拓樸資訊或空間資訊進行成果優化。以 Jiaping et al. (2011) 的方法為例，利用測區的路網為棋盤狀結構的特性，判斷各區塊的方位是否一致，以剔 除錯誤的區塊。Clode et al. (2004) 則是使用最小邊界矩形(Minimum Bounding Rectangle, MBR) 判斷每一個區塊的外型，保留細長的區域，自動剔除如停車場的區域等塊狀區域 (此區域無法以高程與回波強度濾除)。
在萃取道路過程中，停車場的鋪面材質、高程與道路相近，因此僅使用高程與回波 資訊分類無法分離，必須匯入其他型態的資料作為輔助，增加判斷的資訊。Hu et al. (2004) 的研究中，加入航照影像資料，提供光譜輻射特徵增加車輛的辨識度，以偵測停車場的 位置。圖 2-8(a)為使用高程與回波影像萃取的成果，紅色的線段表示道路萃取成果，可 看到部分的路段穿越街區。因此利用航照影像偵測排列整齊的車輛，以偵測停車場的位 置，並與路段的位置互相對照，修正錯誤的地方。偵測結果如圖 2-8(c)所示。
(a) (b) (c) 圖 2-8、航照影像偵測停車場示意圖(Hu et al., 2004)
另外， Chen and Lo (2009)在研究中加入街廓圖給予完整的拓樸資訊提升道路萃取 的成果。道路街廓圖提供了道路區域二維平面的資訊，光達點雲則提供道路的高程。街 廓圖能給與完整的道路邊界，因此在萃取道路區域的時候，依照道路的位置匯入點雲，
提供道路的高程，獲得道路的三維資訊。此方法在較為複雜的區域，如高架道路、立體 交叉等路段，可獲得良好的成果。
圖 2-9、結合街廓圖與光達點雲萃取道路之成果(Chen and Lo, 2009)
空載光達資料萃取道路區域，可以獲得道路的三維資訊，與影像相較之下，光達可 降低建物遮蔽與陰影對萃取造成的干擾。但空載光達的掃描方式是由空對地的方式，因 此道路依然受到樹木遮蔽的影響，使得部分區域沒有資料，影響萃取成果。另外，空載 光達點雲密度較車載光達低，光達點雲對細緻道路的重建能力有限。如果要提升道路萃 取的成果以及道路資訊的精度，則必須仰賴其他更高精度的輔助資料或是使用能夠更細 緻描述三維資訊的資料。