近年来,随着交通安全事故的频繁发生和现代智能化技术的迅猛发展,智能车成为汽车领域的研究热点。智能车实现自主驾驶需要运用安全辅助驾驶技术,而智能车前方障碍物检测技术又是安全辅助驾驶的基本前提。本课题研究智能车前方障碍物检测技术,具有较高的理论意义和工程价值。本论文以电动汽车为载体,开展了基于激光雷达和机器视觉融合的智能车前方障碍物检测技术研究。主要研究内容如下:(1)分析比较了现阶段智能车障碍物检测系统中各传感器的性能,结合结构化道路场景,设计了一套基于激光雷达与机器视觉融合的智能车前方障碍物检测方案,并为该方案确定了传感器的型号及其安装位置。(2)研究了激光雷达对障碍物的检测方法。在完成了激光雷达的标定工作后,又利用道路宽度约束以及高度特征和平滑性特征的双提取筛选出道路边界的疑似点,并对这些点运用RANSAC算法进行拟合,实现了道路边界的提取。对于道路边界线以内的点云,运用基于地平面的拟合算法将其分为地面与非地面的点云。针对非地面点云提出了一种改进的DBSCAN算法对其进行聚类,并根据聚类的结果生成了表征障碍物轮廓的Bounding Box,实现了激光雷达对障碍物的识别检测,并通过实验验证了算法的效果。(3)研究了基于激光雷达和机器视觉融合的障碍物检测方法。通过世界坐标系、图像像素坐标系与激光雷达坐标系三者之间的转换关系,实现了激光雷达聚类后点云簇生成的Bounding Box到图像上的投影,即在图像上生成了感兴趣区域。通过提取大量训练集中样本的Haar-like特征和HOG特征,结合AdaBoost算法搭建了一个由各个强分类器级联的分类器。将图像的感兴趣区域输入到级联分类器内进行了障碍物的分类识别。并通过与单纯利用激光雷达检测的分类结果和单纯在级联分类器中放入原始图片的检测进行了对比实验,实验结果证明感兴趣区域的障碍物分类速度较快且准确率高,该方法实现了激光雷达与机器视觉的冗余检测,提高了障碍物检测的可靠性和准确性。