均值偏移

均值偏移(mean shift,也叫均值漂移)这个概念最早是由Fukunaga等人于1975年在《The estimation of the gradient of a density function with application in pattern recognitioin》这篇关于概率密度梯度函数的估计中提出来的，其最初含义正如其名，就是偏移的均值向量。它是一种无参估计算法，沿着概率梯度的上升方向寻找分布的峰值。

然而在以后的很长一段时间内mean shift并没有引起人们的注意，直到20年以后，也就是1995年，另外一篇关于Mean shift的重要文献《Mean shift analysis and application》才发表。在这篇重要的文献中，Yizong cheng对基本Mean shift算法在以下两个方面做了推广，首先定义了一族核函数，使得随着样本与被偏移点的距离不同，其偏移量对均值偏移向量的贡献也不同，其次设定了一个权重系数，使得不同的样本点重要性不一样，这大大扩大了Mean shift的适用范围。直到1998年Bradski将MeanShift算法用于人脸的跟踪才使得此算法的优势在目标跟踪领域体现出来。

MeanShift算法是一种无参概率密度估计法，算法利用像素特征点概率密度函数的梯度推导而得， MeanShift算法通过迭代运算收敛于概率密度函数的局部最大值，实现目标定位和跟踪，也能对可变形状目标实时跟踪，对目标的变形，旋转等运动也有较强的鲁棒性。MeanShift算法是一种自动迭代跟踪算法，由 MeanShift补偿向量不断沿着密度函数的梯度方向移动。在一定条件下，MeanShift算法能收敛到局部最优点，从而实现对运动体准确地定位。