均值偏移(mean shift,也叫均值漂移或均值平移)這個概念最早是由Fukunaga等人於1975年在《The estimation of the gradient of a density function with application in pattern recognitioin》這篇關於機率密度梯度函式的估計中提出來的，其最初含義正如其名，就是偏移的均值向量。它是一種無參估計算法，沿著機率梯度的上升方向尋找分布的峰值。
基本介紹
- 中文名：均值偏移/均值平移
- 外文名：mean shift
- 提出：Fukunaga
- 對象：關於機率密度梯度函式的估計
理論發展
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 analysis and application》才發表。在這篇重要的文獻中，Yizong cheng對基本Mean shift算法在以下兩個方面做了推廣，首先定義了一族核函式，使得隨著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。直到1998年Bradski將MeanShift算法用於人臉的跟蹤才使得此算法的優勢在目標跟蹤領域體現出來。
MeanShift算法是一種無參機率密度估計法，算法利用像素特徵點機率密度函式的梯度推導而得， MeanShift算法通過疊代運算收斂於機率密度函式的局部最大值，實現目標定位和跟蹤，也能對可變形狀目標實時跟蹤，對目標的變形，旋轉等運動也有較強的魯棒性。MeanShift算法是一種自動疊代跟蹤算法，由 MeanShift補償向量不斷沿著密度函式的梯度方向移動。在一定條件下，MeanShift算法能收斂到局部最優點，從而實現對運動體準確地定位。
均值平移算法是一種非參數的統計疊代算法。
