环境感知系统对无人驾驶而言至关重要。激光雷达以其精准的空间测量能力与良好的环境适应性被广泛应用于感知系统,但昂贵的价格阻碍了其在无人驾驶商业化中应用的进程。价格低廉的低线束激光雷达数据稀疏,目标特征不足,因此,基于稀疏三维点云的目标检测系统研究对推动无人驾驶落地发展有重要意义。本文围绕园区无人驾驶目标检测展开研究,主要工作包括:改进基于随机采样一致性地面分离算法,通过平面拟合与区域生长相结合的方法提升了不平整地面点云分离的准确性;采用倾角控制的平面拟合的方法提取附近区域地面点云,以此作为初始种子数据进行区域生长,根据水平倾角对其他点云进行地面判别。通过角度判断的方式增强对地面起伏的容纳性;通过点云的预提取减少平面拟合的计算量;通过倾角阈值确保平面提取的正确性。改进密度聚类分割算法,通过多特征评估的方式提升了稀疏点云聚类分割的准确性。通深度图坐标距离、空间距离及角度三种数据特征建立聚类评估标准,抑制了稀疏点云竖直方向距离过大的影响,同时保留了高度差特征;通过有效邻域的搜索方式提升实时性。较传统单特征的聚类方法在稀疏点云数据的应用中提升了分割效果,增强了环境适应性与实时性。构建完善的目标检测系统,结合去噪、填补等预处理,包围盒回归、虚警抑制等后续处理,及多线程编程和结构体数据储存进行程序优化。搭建平台实地验证了系统性能,本文所设计算法在NVIDIA Jetson TX2嵌入式平台上达到平均18.6Hz的检测频率,在多种园区场景下均具有较好的检测结果。本文研究的基于稀疏点云目标检测方法对园区无人驾驶及其相关自主移动平台具有实际的应用意义。