Mean Shift 算法总结

      一、简介

      二、具体含义

      三、细节

      四、缺点

----------------------------------------------------------------------------------------------------

      一、简介

    Mean shift的这种思想可以应用于目标跟踪、图像平滑、边缘检测、聚类等，是一种适应性很好的算法，缺点是速度非常慢。

    Mean Shift 这个概念最早是由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计（The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition）中提出来的，其最初含义正如其名，就是偏移的均值向量，在这里Mean Shift是一个名词，它指代的是一个向量，但随着Mean Shift理论的发展，Mean Shift的含义也发生了变化，如果我们说Mean Shift算法，一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。

    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，mode seeking, and clustering ）才发表。在这篇重要的文献中，Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广,首先Yizong Cheng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Yizong Cheng还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。另外Yizong Cheng指出了Mean Shift可能应用的领域，并给出了具体的例子。

      Mean Shift算法本质上是最优化理论中的最速下降法（亦称梯度下降法，牛顿法等），即沿着梯度下降方法寻找目标函数的极值。在跟踪中，就是为了寻找到相似度值最大的候选目标位置。也可以将它理解为是一种核密度估计算法，它将每个点移动到密度函数的局部极大值点处，即，密度梯度为0的点，也叫做模式点。