伴随着无人驾驶行业的迅速兴起和应用,以车载激光雷达系统为代表的相关研究不断进入人们的视野。激光雷达系统实时为行驶的车辆提供高密度、高精度的点云数据,这些点云数据能够记录道路及周围物体的丰富属性,包括精确的三维坐标、颜色信息、反射强度信息等,为无人驾驶、城市测绘等相关行业提供可靠有效的数据源。车载激光点云数据中对目标对象的提取及分类是众多研究及运用的关键,本文针对车载点云中存在的道路标识线,设计了点云中道路标识线的提取及识别的方法。针对原始车载点云数据量大、无序的问题,将原始车载点云依据行车轨迹分段处理后,采取一种基于阈值的点云高程滤波与K-均值聚类算法相结合的标识线点云提取方法。该算法首先选取分段后的车载点云数据,通过频率直方图分析数据中Z轴(高程)信息,确定最佳阈值后完成点云高程滤波,得到滤波处理后的道路点云,然后将道路点云的高程信息及反射强度信息作为主要的聚类依据,进行基于K-means聚类算法的道路标识线点云提取。针对直接点云数据识别较复杂,较困难的问题,将道路标识线点云进行平面投影,确定合适的格网分辨率,将三维空间下的道路标识线点云转化为二维俯视图像,以利用较为成熟的数字图像的目标检测识别算法。本文设计了基于YOLO v3目标检测模型的道路标识线识别方法,通过镜像翻转、添加噪声、旋转随机角度和随机裁剪等数据增强方法,扩充训练集样本数量,满足深度学习对大量训练样本的要求,同时优化先验框尺寸,使用迁移学习方法完成YOLO v3网络模型的训练。本文进行多组实验验证,训练完成的YOLO v3网络模型对标识线的检测识别效果较好,识别准确率能够达到90%以上,能够为点云中标识线的识别提供研究思路,对城市道路建模和未来车辆辅助驾驶有一定的参考意义。