1.一种基于深度学习的建筑三维点云线特征提取方法，其特征在于，包括以下步骤：步骤S1：建筑点云数据预处理，对建筑点云进行切片，根据输入像素大小将切片点云投影为占用概率图像，根据点云密度计算每个像素中心的PCA1主成分，生成PCA1图像；

步骤S2：制作深度学习训练样本数据集，根据投影切片的二维图像标注线要素，构建用于影像切割的特定尺寸的正方形渔网，通过渔网分割栅格和矢量图层，建立训练样本图像和标注，其中包括将占用概率图像和PCA1图像切块为小的训练图像，以及生成对应JSON格式的矢量标注文件；

步骤S3：在模型训练阶段，将训练样本图像和标注文件进行预处理，将训练样本代入线特征提取神经网络LALine‑Net进行训练，得到神经网络模型参数；

步骤S4：在模型预测阶段，对输入的激光点云数据自动完成图像投影和分块，利用线特征提取神经网络LALine‑Net提取线特征，并通过线特征坐标转换与融合得到初始的建筑轮廓矢量线；

步骤S5：线特征重拟合与优化，对初始的建筑轮廓矢量线，判断落在每一条边的点集，利用选权迭代法拟合新的直线参数，根据线段的邻接关系，修正线段交点；

在步骤S1中，建筑点云数据预处理的具体实现步骤为：

步骤S11：对建筑点云进行切片，根据输入像素大小将切片点云投影为占用概率图像；

步骤S12：遍历每一个占用像素，通过权重中心搜索近邻，通过特征值分解得到特征向量，转换为角度值，作为像素的值，生成PCA1图像。

2.根据权利要求1所述的一种基于深度学习的建筑三维点云线特征提取方法，其特征在于，在步骤S3中，模型训练的具体实现步骤为：步骤S31：首先设计用于激光点云切片线特征提取的线特征提取神经网络LALine‑Net，线特征提取神经网络LALine‑Net包含一个主干网络和两个分支网络，主干网络采用U‑Net提取图像特征，结构包含5个编码结构和4个解码结构，每个编码结构包含2个卷积层和1个池化层，每个解码结构包含1个反卷积和2次卷积；两个分支网络兼顾全局和局部特征，其中一个包含2个卷积和1个归一化层，输出距离场；另一个包含2个卷积和1个全连接层，输出角度场；损失函数为归一化距离场与角度场损失的和；

步骤S32：使用PyTorch完成深度神经网络的编码，网络输入的点云切片图像尺寸是

320*320，经过多个卷积层处理，采用Adam优化算法以缩小损失值为目标，当损失值缩小至给定的阈值范围内，则训练结束，得到最优的线特征提取神经网络LALine‑Net模型参数；

步骤S33：对模型训练结果进行评价，通过调整训练参数、训练样本增强，进一步提高模型的精度。

3.根据权利要求1所述的一种基于深度学习的建筑三维点云线特征提取方法，其特征在于，在步骤S4中，模型预测的具体实现步骤为：步骤S41：对输入的激光点云数据自动完成图像投影和分块，每个分块图像记录其左上角点坐标；

步骤S42：利用已经训练完成的线特征提取神经网络LALine‑Net处理影像最终得到高精度线特征提取结果；

步骤S43：通过线特征坐标转换与融合得到初始的建筑轮廓矢量线。

4.根据权利要求1所述的一种基于深度学习的建筑三维点云线特征提取方法，其特征在于，在步骤S5中，线特征重拟合与优化的具体实现步骤为：步骤S51：对初始的建筑轮廓矢量线，判断落在每一条边的点集，如果点到直线的距离小于给定阈值，则加入直线点集合PL；

步骤S52：对每一个直线点集合PL，利用选权迭代法拟合新的直线参数；

步骤S53：根据线段的邻接关系，修正线段交点。