我所认知的什么是mean shift算法

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。

Mean shift算法的基本思想

    从初始目标区域提取的特征，对于下一个的视频而言，其上任意位置都可以圈定出一个与初始化目标区域相同大小的区域，并提取该区域的颜色直方图特征与初始化目标区域提取的颜色直方图特征进行匹配，计算得到两个特征之间的相似度。由此，可以得到一个由特征匹配程度构成的一个相似度概率密度分布图我们真正需要寻找的就是该概率密度分布图上的最大值（与初始目标特征最相似的位置）。

    Mean Shift方法就是沿着概率密度的梯度方向进行迭代移动，最终达到密度分布的最值位置。其迭代过程本质上是的最速下降法，下降方向为一阶梯度方向，步长为固定值。但是，Mean Shift没有直接求取下降方向和步长，它通过模型的相似度匹配函数的一阶Talor展开式进行近似，直接推到迭代的下一个位置。由此，沿着梯度方向不断迭代收敛到目标相似度概率目标分布的局部极大值。

Mean shift算法特点

    由于在实际中，我们不可能去求取下一帧中所有位置的相似度。Mean Shift是在不知道该概率密度分布的条件下，使用迭代过程中每次选定的目标区域的局部密度特征来进行迭代的，因此，它寻找的是目标的局部极大值。这就导致目标运动过快或背景过于复杂时，迭代寻找的局部极值并不是目标在下一帧中的最佳匹配位置。另外，Mean Shift作为最速下降法的一种，它的收敛速度并不快，且在接近最优值时，存在锯齿现象。

Mean shift算法的作用及特点

（1）因为目标直方图具有特征稳定，抗部分遮挡，计算方法简单和计算量小的特点。所以基于Mean Shift 的跟踪一般采用直方图对目标进行建模，然后通过相似度量，最终实现目标的匹配和跟踪。

（2）MeanShift 算法是通过人机交互的方式对被跟踪目标进行初始化。起始帧，手动确定一个目标特征的区域，称为被跟踪目标的目标区域，这个目标区域也是核函数作用区域，区域的大小等于核函数的带宽（或“尺度”）。

假定我们在彩色视频序列图像中跟踪目标，则图像的值域是RGB颜色空间，按照直方图的方式将RGB颜色空间中的每个子空间中R,G或B空间分成K个相等区间，将每个区间称为一个bin，构成特征空间，特征空间的特征值的个数为m= k^3。

在以后每帧图像中可能存在目标的候选区域中对特征空间的每个特征值的计算称为候选模型的描述。一般选高斯函数或Uniform核函数。通过相似性函数度量初始帧目标模型和当前帧的候选模型的相似性，通过求相似性函数最大得到关于目标的MeanShift向量，这个向量即是目标从初始位置向正确位置转移的向量，由于MeanShift算法的收敛性，不断迭代计算MeanShift向量，在当前帧中，最终目标会收敛到目标的真实位置（可以用一个小阈值判定），从而达到跟踪的目的。下载本文