1.引言
随着智能车辆[1]的兴起，3D对象检测也越来越重要，它为无人驾驶系统提供某些对象的分类与定位，从而跟踪预测其运动。为确保环境感知[2]的快速性和准确性，需要利用智能车辆车载传感器对可通行区域的目标进行检测和跟踪[3-4]。激光雷达[5]（Light Detection and Ranging，Lidar）是自动驾驶常见的传感器，不同物体反射率、距离、散射形状不同，所以其反射的激光脉冲的参数也不同，利用反射回波的信息就可以得到物体的反射率和位置等信息。在参考[6]的基础上，可以用一种基于激光雷达和视觉传感器信息融合的方法进行可通行道路的检测。在初始状态下，利用激光雷达的点云数据[7]对地面进行检测，根据点云数据的反射率对可通行区域进行提取，并在可通行区域上利用DBSCAN聚类算法对目标物进行检测；根据已有的激光雷达和视觉传感器的标定信息，将激光雷达检测到的障碍物投影到图片上，利用图像处理检测到可通行道路。
2.Lidar和相机的联合标定
不同的传感器有不同的坐标系和各自的采集频率，需要把不同坐标系下的数据转化到同一个坐标系内并进行时间配准，才能进行多传感器的信息融合。对于激光雷达和相机数据的联合标定，就是找同一时刻的点云数据和RGB图像对应的像素点。激光雷达的坐标系描述物体与激光雷达之间的相对位置，表示为，其中原点是激光雷达的几何中心。相机有三个坐标系：像素坐标系（表示为，原点是图像左上角）、图像坐标系（表示为，原点是相机主点）和相机坐标系（表示为，原点是相机光心）。
坐标变换过程：
对于激光雷达与相机的时间配准问题，因为相机的采集频率高于激光雷达，且图像数据与点云数据有同步的时间戳，所以可以采用时间最近邻匹配方法，找到距离每一帧激光雷达数据时间最短的图像数据。
3.Lidar点云数据的预处理
由于环境中噪声的干扰和设备精确度的不足，原始的Lidar点云数据存在噪声点，利用滤波来剔除噪声点，达到预处理效果。可采用基于半径的滤波方法进行提出噪声点，设置一个半径范围内最小点云数，若给定目标点周围的点云数小于该数字，则该点为噪声点，从而初步剔除原始点云数据中的噪声点。
4.地面拟合
