近年来研究关于激光雷达的目标检测问题，目标对象主要是行人和车辆。目标检测的核心问题在于如何研究出有效的特征模型。

目标检测的难点：如何在复杂环境下准确提取出令人感兴趣的物体区域即障碍物分割；被测物体在不同距离、不同观察角度，尺度形状变化较大，并且在较远距离传感器的分辨率受到限制；物体自身的遮挡和别的物体遮挡，往往导致缺失部分信息；环境干扰，有较多形状相似的其他物体，单纯的几何方法几乎无能为力。因此，很难获得某种固定的模式来进行有效的目标检测。

目标检测方法大致可以分为两大类：基于模版匹配的方法和基于特征描述的机器学习方法。前者一般研究特定目标的几何模型，然后计算被检测物体和给定模版的相似程度来判别；后者是研究目标的有效特征描述，通过SVM、AdaBoost、神经网络等机器学习方法来训练特定的分类器，从而达到目标识别。

显然基于模版匹配方法的优点是简单直观，容易实现；缺点是当被测目标遮挡或形状变化较大时，很难用统一的模型来描述。在国内外无人车实际系统中，常基于矩形框模型进行车辆检测，提取矩形框中的障碍分布形状，比如“L”形、“I”形等几何特点。与此同时，为了提高检测准确率，往往会利用视觉模块检测得到的二维道边，将目标检测限定在道路内进行。这样可以去除道路外的干扰，使得最终实际检测效果比较好。Petrovskaya等人提出了车辆检测跟踪的几何运动模型，在2D栅格上采用矩形的长宽、中心点来描述车辆几何信息，同时依据连续三帧运动位移差来描述运动特性，最后结合3D雷达点云估计地面高度。在2D栅格中只考虑低于2m的障碍块，过滤一些大树等干扰，来提高检测准确率。在有电子地图和道路边约束的情况下，此方法有很高的车辆检测率，但对于环境中类似车辆的物体，就很难有稳定的检测率。

目前研究目标检测方法更多的是偏向如何挖掘有效特征，主要是基于特征的分类。它是将原始的数据信息映射到对应的特征空间中，在特征空间上基于机器学习的方法处理，最终使得同类的类内间距小，而不同类别之间的间距大，从而达到较好的分类效果。因此，有效特征的选取和分类器学习的策略是影响分类效果好坏的关键因素。(www.daowen.com)

一般目标检测步骤为数据获取→分割→聚类→特征提取→分类。利用机器学习方法，可以更优化地组合各个特征项的权值，大大提高检测的准确性。Hui-jing-Zhao等人提出用单线激光雷达利用类似决策树判别的方法进行目标检测，根据获取雷达片段数据流特征，第一层依据障碍片段的轴边数量分为0个、1个、2个，分别对应行人和其他，骑车的人和其他，车辆和其他；在第二层采用详细分类模型精确判别，人工标记建立每类样本和所属类的相似函数，将动态障碍物分类成行人、一群人、骑车的人和车辆。Taketoshi Mori kopkaet等人提出在单线雷达上根据运动障碍连续帧栅格点的轨迹特征来检测和识别物体，利用标记样本提取特征来训练分类器。

单线激光雷达只能得到物体的一个横截面，不能得到较完整的立体信息，因此引入了三维激光雷达，以美国生产的Velodyne-HDL-64E雷达使用最为广泛。Himmelsbach等人在三维激光雷达点云上提出物体整体强度特征，利用高度分层协方差特征值等特征进行动态车辆检测。Azim等人提出在三维激光雷达数据上，根据分割出来的障碍矩形块，利用长高比、宽高比特征来对车辆和行人进行分类，此方法可以高效实时检测，但在实际环境中常常有自身的遮挡和其他物体遮挡破坏原来长宽高比例的特点，就不能有较好的区别。

Velodyne-HDL-64E不仅可以返回三维点云信息，还可以得到反射强度值。反射强度的大小与物体的材料有较大关系。因此，近年来也有较多研究者挖掘强度信息上的特征，来进一步提高检测的鲁棒性。