均值漂移

是一種有效的統計迭代算法。

均值漂移算法是一種基於密度梯度上升的非參數方法，通過迭代運算找到目標位置，實現目標跟蹤。它顯著的優點是算法計算量小，簡單易實現,很適合於實時跟蹤場合；但是跟蹤小目標和快速移動目標時常常失敗，而且在全部遮擋情況下不能自我恢復跟蹤。通過實驗提出應用核直方圖來計算目標分佈，證明了均值漂移算法具有很好的實時性特點。 ^[1] 

Mean Shift 這個概念最早是由Fukunaga等人於1975年在一篇關於概率密度梯度函數的估計（The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition ）中提出來的,其最初含義正如其名,就是偏移的均值向量,在這裏Mean Shift是一個名詞,它指代的是一個向量,但隨着Mean Shift理論的發展,Mean Shift的含義也發生了變化,如果我們説Mean Shift算法,一般是指一個迭代的步驟,即先算出當前點的偏移均值,移動該點到其偏移均值,然後以此為新的起始點,繼續移動,直到滿足一定的條件結束。

然而在以後的很長一段時間內Mean Shift並沒有引起人們的注意,直到20年以後,也就是1995年,另外一篇關於Mean Shift的重要文獻（Mean shift, mode seeking, and clustering ）才發表。在這篇重要的文獻中,Yizong Cheng對基本的Mean Shift算法在以下兩個方面做了推廣,首先Yizong Cheng定義了一族核函數,使得隨着樣本與被偏移點的距離不同,其偏移量對均值偏移向量的貢獻也不同,其次Yizong Cheng還設定了一個權重係數,使得不同的樣本點重要性不一樣,這大大擴大了Mean Shift的適用範圍。另外Yizong Cheng指出了Mean Shift可能應用的領域,並給出了具體的例子。

Comaniciu等人（Mean Shift: a robust approach toward feature space analysis (2002)）把Mean Shift成功的運用的特徵空間的分析,在圖像平滑和圖像分割中Mean Shift都得到了很好的應用。 Comaniciu等在文章中證明了,Mean Shift算法在滿足一定條件下,一定可以收斂到最近的一個概率密度函數的穩態點,因此Mean Shift算法可以用來檢測概率密度函數中存在的模態。

Comaniciu等人（Mean-shift Blob Tracking through Scale Space）還把非剛體的跟蹤問題近似為一個Mean Shift最優化問題,使得跟蹤可以實時的進行。 ^[2]