无人驾驶技术受到了越来越多研究者的关注。激光雷达感知系统是必不可少的组成部分,它能够感知周围环境信息和车辆状态信息,为无人车的控制系统提供必要信息。为了使无人车在行驶中更加智能和安全,无人车往往集成多个传感器。激光雷达由于探测范围大、测距精度高和不受光照条件影响等优点,被广泛应用在无人车中。基于三维激光雷达的障碍物检测和行人识别主要分为地面点云去除、目标物体分割和行人目标识别三个部分。地面点云去除主要包括建立深度图和去除地面点云数据,将点云数据转化为深度图然后去除地面点云。目标物体分割是从非地面点云数据中提取出不同的物体。行人目标识别是将分割后的物体使用分类器进行分类识别。针对传统地面点云去除算法实时性低的问题,本文提出基于深度图的角度阈值算法。将点云数据表示为深度图,建立深度图和点云数据的映射关系。基于角度阈值在深度图上标记地面,实现去除地面点云数据。针对目标间相邻导致分割失败以及分割算法实时性问题,本文提出基于深度图的改进DBSCAN算法。搜索Eps邻域内所有的邻近点时考虑空间欧式距离和角度距离,结合深度图和自适应参数的DBSCAN算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能够较好地降低分割错误率。在行人目标分类识别中,针对PointNet神经网络在局部特征描述中的不足,本文提出多尺度特征融合的PointNet神经网络模型,将多尺度局部特征和全局特征相结合,最终完成对行人目标的识别。离线过程主要是通过线下构建训练样本库,训练多尺度特征融合的PointNet神经网络模型。在线过程主要是对候选行人目标进行初筛,通过采样将候选目标转化为固定大小,然后放入PointNet网络进行特征学习,分类器判断目标物体是否为行人。实验结果表明该模型相对于PointNet神经网络在识别准确度上有一定的提升。