无人驾驶汽车技术是当今为人津津乐道的热门技术之一。无人驾驶对于地图的要求也不仅仅只是辅助道路规划,同时也要求地图与运动规划,定位,预测,感知等模块相互配合,普通的数字地图已无法满足要求,需要精度更高,定位更准的高精地图。本文提出一套完整的高精地图道路要素提取分割的流程。从车载Li DAR数据中,分割提取出原始点云中的道路路面,道路标示线,道路两旁杆状物等道路要素。并赋予其具体的语义信息,并储存为相应的图层。首先通过点云滤波提取地面点,并根据时间戳分离扫描线,一定程度上恢复了点云的局部空间结构。同时将计算从三维减少到一维,加快了算法的运行速度。然后基于轨迹数据选择初始点,并使用提前停止的策略避免了其他相似边界的混淆,提高了算法的鲁棒性。然后使用基于密度的空间聚类方法(DBSCAN)分离噪声和约束点,对噪声点进行优化和约束。本文使用IQmulus&Terra Mobilita数据集进行实验。F1分数达到98.89%,在复杂的道路环境中表现良好。然后在提取出道路路面的基础上,采用了分段阈值与灰度拉伸两种方法修正激光点由于入射角度导致的反射强度变化。道路标示线均有颜色鲜艳的油漆绘制,使用最大类间方差法(OTSU)提取反射强度显著高于道路路面的道路标示线激光点。然后使用DBSCAN将激光点聚类分离,去除噪声点,并将不同的道路标示线分离,便于赋予其语义信息。最后使用alpha-shape算法提取道路标识线的轮廓以精简储存结构。最后,从非地面点中提取路灯,电线杆,路牌等具有鲜明特征的杆状物。根据激光点距离地面的高度,使用高程滤波滤去高处高大乔木,路灯路牌等的非杆状物部分以及低处低矮灌木的干扰。使用DBSCAN将激光点聚类,并对每一个聚类簇求取其最小外接圆半径,根据最小外接圆半径分离出杆状物部分。并使用一种结合了DBSCAN与种子点生长思想的算法,提取出这些杆状物的非杆状物部分。同时,使用了体素化的方法进一步优化了算法的运行效率。结果表明,本文提出的高精地图道路要素提取分割的流程可以在复杂的道路环境中提取出各种道路要素,具有较高的准确性与鲁棒性。