随着无人驾驶的发展和人们对交通安全的日益关注,道路边界检测和标线识别技术成为了无人驾驶感知系统中的重要组成部分。无人驾驶车辆准确地检测道路边界,可以判别出交通环境中的可行驶区域,无人驾驶车辆识别出道路标线的类型,可以确定当前车道的行驶信息,进而无人驾驶车辆能够准确地做出直行、变道或者拐弯等驾驶行为。道路边界检测和标线识别都存在两大主流的研究方法,分别为基于视觉的检测方法和基于激光点云的检测方法。在基于视觉的检测方法中,相机易受外界光照的影响,尤其是环境中存在阴影、水迹和光照条件变化等情况时,会导致图像模糊或者畸变,造成检测结果出现偏差甚至无法检测。然而,激光雷达穿透力强,能够获取高精度、高密度的激光点云,并且不受光照变化的影响,使得激光雷达在三维结构和强度检测中具有较大优势。目前,在基于激光点云的道路边界检测和标线识别的研究中,多采用道路边界的局部特征和点云反射强度特征,该类方法实时性较高,鲁棒性较好并且也获取了良好的检测和识别结果。本文的研究分为两部分,第一部分为道路边界的检测,道路边界区域的高程和坡度一般情况下变化较大,由于一些道路边界区域存在绿化带的遮挡,会导致道路边界的形态发生无规则变化。本文提出的道路边界检测算法对于道路边界存在遮挡或者无遮挡的情况下,均能够获取准确的检测结果。该算法首先获取道路的横切面,然后采用单线点云自下而上包裹道路横切面的方法,获取道路横切面轮廓,之后通过双窗口法检测道路边界的高程、坡度和一致性分布特征,判定出道路边界点,最终拟合道路边界点获取完整的道路边界线。该算法通过引入单线点云反向提取道路横切面轮廓,即使在道路边界被绿化带遮挡的情况下,该算法也能保存道路边界的形态结构,该方式增强了算法的鲁棒性。第二部分是道路标线的识别,首先根据道路边界线分割出道路区域,然后在道路区域中通过道路标线的强度特征和动态阈值算法提取道路标线,之后通过层次聚类算法获取各个道路标线的聚类块,然后利用PCA算法获取聚类块的长度和宽度特征,并通过kdtree算法计算聚类块的平整度,利用这三个特征判定道路标线的类型,最后确定道路标线的中心位置并构建道路标线矢量。本文实验结果表明,在城市交通环境中,该方法能够准确的检测出道路边界,并对常见的道路标线进行识别,具有较好的实用性。