无人驾驶车辆在军用和民用领域都具有重要的研究价值和广泛的应用前景。道路环境感知技术是无人自主车的关键技术之一,多传感器由于其性能互补,能获得更准确、更高效的感知效果。本文旨在对多线激光雷达数据与图像数据进行融合,发掘这两种传感器的有效信息,从而对无人驾驶车辆的路面目标进行识别。完成的工作主要如下:首先基于32线激光雷达进行路面障碍物的初步检测,对雷达数据构建了基于相对高度差信息的栅格地图,然后提出了一种基于雷达数据点距离信息预判断的密度聚类算法,标记出雷达数据点密集的区域,也就是障碍物区域。通过先验几何知识过滤掉非路面障碍。实验结果表明,该方法能够成功检测路面障碍物,并获知障碍物的距离信息。研究基于图像信息的方法对路面行人进行检测。首先用混合高斯模型对背景进行建模,过滤大部分背景,再采用形态学滤波算法的腐蚀和膨胀,剔除孤立的小点,融合邻近的数据点,最后采用矩形包围轮廓,找出障碍物的位置。比较了基于图像信息的行人检测算法与基于激光雷达的障碍检测算法,分析这两种传感器的优缺点。多传感器的信息融合建立在各数据坐标统一的基础上。首先对雷达进行参数标定,根据标定物的角点对应,求出雷达数据点由原始的极坐标形式转换到世界坐标的转换矩阵。然后采用Tsai方法对摄像头进行标定,最后得到雷达坐标系到图像像素坐标系的投影矩阵。提出基于障碍物的数据融合方法,将雷达中检测到的障碍物的深度信息与图像数据融合,使图像的像素点不仅包含RGB信息,也包含距离信息,为下一步识别目标以及确定目标的距离是否安全作准备。确认路面障碍物,特别是行人的位置对无人驾驶车辆的安全驾驶具有重要的意义。将经雷达初步检测后得到的障碍物感兴趣区域投影到图像上,对图像上的感兴趣区域提取HOG特征算子。将行人库数据作为正样本,不包含行人的无人车真实行驶场景作为负样本,训练线性SVM分类器,识别障碍物是否为行人,并根据融合后的像素点的深度信息判断障碍物的距离。实验证明,该方法能实现实时路面目标识别,能应用到无人车的自主导航系统中,具有实际应用意义。