均值漂移算法（mean shift），理学-计算机科学技术-计算机应用-多媒体计算-计算机视觉-典型方法，均值漂移定义为多维空间中某个点的邻域内的样本点的加权均值和该点的差值，最初是作为一种采用样本点估计多维空间的概率密度梯度的方法被提出来的。通过定义概率密度梯度的估计为概率密度估计的梯度，并采用非参数核密度估计方法来估计概率密度，经过一些数学推导可以得出：某个点的均值漂移向量正比于该点的概率密度梯度的估计和该点的概率密度估计的比值。该方法可以用来寻找概率密度的众数，这些众数位于概率密度梯度为零的地方。该方法可以在不估计概率密度的情况下直接定位到这些众数，因为均值漂移向量指向概率密度上升最快的方向，通过不断地迭代更新均值漂移向量就可以定位到这些众数。在用均值漂移算法搜寻概率密度众数的过程中，均值漂移向量具有自适应的步长，即，概率密度小的地方步长大，而概率密度大的地方步长小，因此，均值漂移算法可以看成是一种自适应的梯度上升方法。均值漂移算法由两步组成：第一步，计算当前点所在的窗口内的样本点的均值漂移向量；第二步，根据均值漂移向量移动窗口。