正文
聚类算法
有时，系统获取的图片不是很清晰，使得物体难以定位检测。有时，分类算法有丢失检测物体的可能，这样就不能分类和报告给系统。这些可能是不连续的数据造成的，数据点太少了，或者图片分辨率太低了。聚类算法的特点在于从数据点中发现模式。像回归分析一样，聚类算法是指一类方法和问题。典型的聚类算法有层次聚类，基于质心的聚类算法。这些算法都关注数据的内在模式，完美地把数据分解成拥有最大相似性的簇。K-均值，多分类神经网络（Multi-class Neural Network）是最常用的算法。
K-均值算法
K-均值是著名聚类算法，它找出代表聚类结构的k个质心。如果有一个点到某一质心的距离比到其他质心都近，这个点则指派到这个最近的质心所代表的簇。依次，利用当前已聚类的数据点找出一个新质心，再利用质心给新的数据指派一个簇。
K-均值算法——在上图中用“x"表示 聚类质心，用点表示训练样本。(a) 原始数据集。(b) 随机初始化聚类质心。(c-f) k-均值迭代2次的示意图。在每次迭代中每个训练样例都指派到一个最近的聚类质心，每个聚类质心被移动到分配给它的点的平均值。
模式识别算法（分类模型）
在高级辅助驾驶系统（ADAS）中，利用感应器获取的图像包含各种各样的环境数据。对图像进行过滤变得十分必要，以剔除一些不相关的样本得到用于分类的实例数据。在分类前，关键步骤是在一个数据集上的模式识别。这类算法称为数据约简算法。
数据约简算法有助于降低数据集的边缘、对象的直线（拟合出来的线段）和圆弧的边缘。线段与边缘匹配，到直角后，该匹配会产生一段线段。和弧线一样，圆弧与一串直线段匹配。用不同的方式，图像特征（圆弧和线段）组合起来形成特征，用来判断对象。
利用PCA（主成分分析）和HOG（方向梯度直方图），SVM（支持向量机）通常在ADAS中用做识别算法。也会用K-邻近（KNN)和贝叶斯决策规则。
支持向量机（SVM)
SVM依赖于决策平面概念，后者定义了决策边界。决策平面可以把明显有类关系的对象分隔开. 如下图示。这张图片中，对象分为红色和绿色两类。分离的边界线把红色和绿色的对象分离了。落在线左边的新对象标记为红色类，落在右边标为绿色。
回归算法
这类算法善于做事件预测。回归分析评估两个或两个以上变量的关系，以及变量在不同尺度上的贡献，主要受三个指标影响：
1、 回归线的形状
2、非独立变量的类型
3、独立变量的数量
（摄像头或者雷达收集到的）图像在ADAS的驱动和定位上起了重要作用。对于任一算法，最大的挑战是利用基于图像的模型来做特征选择和预测。
环境的可重复性，对回归算法为图像和该图像中某物体位置之间的关系，构建统计模型起了杠杆作用。利用采样图像的统计模型，可以快速在线识别和离线学习。这个模型可以进一步延伸到不需要大量人类建模的其他对象。算法返回的对象位置，作为在线阶段的输出和对象出现的概率。
回归算法能够用来短程预测和长程训练。这类回归算法中用到自动驾驶上，有决策森林回归、神经网络回归、贝叶斯回归等等。
神经网络回归模型
神经网络可以用到回归、分类或者其他无监督学习上，来汇总没有标记的数据，分类这些数据，或者在监督学习后预测一个连续值。神经网络常在最后一层用逻辑斯特回归把连续值转换成形如1或0的变量（二值变量）。
在上图中，“x”是输入，特征从前一层神经元传播而来。到最后隐藏层的每个神经元，有很多’x'会喂进来，每个'x',乘以相应的权重w。对于偏置，乘积求和后加上偏置，然后输入到激活函数。激活函数常用的是ReLU（修正线性单元），因为它不会像sigmoid激活函数在浅层梯度膨胀。ReLU在隐藏层输出的激活值a，经过求和后成为输出层的输出。这暗示：一个神经网络用做回归时只有一个输出节点。这个节点把激活值求和后乘以1向量。网络的估计值，‘y帕’作为结果。‘Y帕’是所有'x'映射出来的独立变量。你可以这样用神经网络得到与‘x’（多个非独立向量）相关的函数，可以求出你要预测的'y'(独立变量)。
