随着智能车辆的发展,以及人们对于交通安全关注的增多,车道线检测作为智能车辆环境感知的重要组成部分已经成为了研究热点。在自主导航系统、车道保持辅助系统、车道偏离警示系统和车道换道辅助系统中,车道线检测都起到关键作用,只有准确地了解车道线的具体位置,自主导航系统才能规划出合理的行驶路径,车辆才能正确地做出行驶、超车、换道的驾驶行为。基于视觉的车道线检测和基于雷达的车道线检测是车道线检测的两大主流方法,其中基于视觉的车道线检测起步较早、发展较成熟、应用也很广泛,但是相机本身存在形变且相机容易受外界环境的影响,这是它很难克服的缺陷,从而使得车道线检测的性能很难进一步大幅提高,之后研究人员才将目光转移到雷达上。基于雷达的车道线检测起步晚,目前使用最多的是基于雷达扫描点密度的检测方法,该方法处理简单,实时性高,而且不受天气、光照等外界条件的影响。本文采用基于激光雷达的车道线检测方法,并且使用激光雷达的回波信号保障检测精度,因为回波信号由物体的固有属性反射率决定,能够更真实地反映物体特征。文中重点利用四线激光雷达IBEO的回波脉冲宽度对于车道线与路面的区分度进行特征提取,并提出一种新的提取车道线特征的方法,主要分为以下两步：基于脉冲宽度动态阈值的种子点提取和基于高斯核加权搜索的区域生长。其中,车道线脉冲宽度的动态阈值通过回波脉冲和误差分析对雷达返回数据建模获得,高斯核加权搜索是对目标函数进行高斯核变换后计算扫描点与特征点的相似度,从而判断该扫描点是否为特征点。该方法提高了车道线的检测精度,降低了漏检率和误检率。本文在车道线特征识别阶段引入改进的FCL算法(Fuzzy C-means of Line Algorithm),FCL算法是以线为中心的模糊聚类方法更加符合真实车道线的具体情况,但是它需要指定聚类数,改进的FCL算法提高车道线识别算法的智能性。而车道线拟合工作使用了最小二乘法。以上研究通过实车实验,其结果表明对于不同的道路环境,该方法都能准确地检测出车道线,同时提高了检测精度并降低了漏检率。