AdaBoost有助于将弱阈值分类器提升为强分类器。上面的图像描绘了如何在一个可以理解性代码的单个文件中实现AdaBoost算法。该函数包含一个弱分类器和boosting组件。弱分类器尝试在数据维度之一中定位理想阈值，将数据分为2类。分类器通过迭代部分调用，并且在每个分类步骤之后，它改变了错误分类样本的权重。因此，它实际创建了级联的弱分类器，但性能像强分类器一样好。

聚类算法

有时，由系统获取的图像不清楚，并且难以定位和检测物体。有时，atv，分类算法有可能丢失对象，在这种情况下，它们无法对系统进行分类并报告。原因可能是不连续的数据、非常少的数据点或低分辨率图像。聚类算法专门用于从数据点发现结构。它描述了分类的方法和分类的问题，如回归。聚类方法通常通过对分层和基于质心的方法进行建模来组织。所有方法都利用数据中的固有结构将数据完美地组织成最大共性的组。K-means是一种常见的聚类算法。

K-means是一个著名的聚类算法。 K-means存储它用于定义集群的k个质心。如果一个点比任何其他质心更接近该集群的质心，那么这个点被说成是在一个特定的集群中。通过根据当前分配数据点到集群和根据当前质心将数据点分配给集群，选择质心之间进行交替。

K-means算法——聚类质心被描绘为十字，训练样本被描绘为点。 其中（a）表示原始数据集；（b）表示随机初始聚类中心。（c-f）表示运行2次k-means迭代的演示。每个训练样本在每个迭代中分配给最接近的聚类中心，然后将每个聚类中心移动到分配给它的点的平均值。

模式识别算法（分类）

通过高级驾驶辅助系统（ADAS）中的传感器获得的图像由各种环境数据组成，需要过滤图像以通过排除不相关的数据点来确定物体类别的样例。在对物体分类之前，模式的识别是数据集中的重要一步。这种算法被定义为数据简化算法。

数据简化算法有助于减少对象的数据集边缘和折线（拟合线段）以及圆弧到边缘。直到一个角落、线段与边缘对齐，并在此之后开始一个新的线段。圆弧与类似于弧的线段的序列对齐。以各种方式，将图像的特征（圆弧和线段）组合以形成用于确定物体的特征。

通过PCA（原理分量分析）和HOG（定向梯度直方图），支持向量机（SVM）是ADAS中常用的识别算法。我们也经常用到KNN分类算法和贝叶斯决策规则。

SVM依赖于定义决策界限的决策平面概念。决策平面分离由不同的类成员组成的对象集。下面是一个示意图。在这里，物体属于RED或GREEN类，分离边界线将红色和绿色物体分开。任何落在左侧的新对象都标记为RED，如果它落在右边，则将其标记为GREEN。

回归算法

这种算法有利于预测事件。回归分析会评估2个或更多个变量之间的关系，并将变量的影响整理到不同的量表上，主要由3个指标驱动：

•回归线的形状

•因变量的类型

•自变量的数量

图像（摄像机或雷达）在启动和定位中在ADAS中起着重要作用，而对于任何算法来说，最大的挑战是如何开发一种用于进行特征选取和预测的、基于图像的模型。

回归算法利用环境的重复性，以创建给定物体在图像中的位置与该图像之间的关系的统计模型。这个模型通过图像采样，提供快速在线检测，同时可以离线学习。它可以进一步扩展到其他物体上，而不需要大量人类建模。算法会将某一物体的位置以一种在线状态下的输出和一种对物体存在的信任作为反馈。

回归算法也可以用于短期预测和长期学习中。在自动驾驶汽车上，回归算法可以是决策林回归、神经网络回归和贝叶斯回归等。

神经网络回归