**：
meanshift演算法思想其實很簡單：利用概率密度的梯度爬公升來尋找區域性最優。它要做的就是輸入乙個在影象的範圍，然後一直迭代（朝著重心迭代）直到滿足你的要求為止。但是他是怎麼用於做影象跟蹤的呢？這是我自從學習meanshift以來，一直的困惑。而且網上也沒有合理的解釋。經過這幾天的思考，和對反向投影的理解使得我對它的原理有了大致的認識。
在opencv中，進行meanshift其實很簡單，輸入一張影象（imgprob），再輸入乙個開始迭代的方框（windowin）和乙個迭代條件（criteria），輸出的是迭代完成的位置（comp ）。
這是函式原型：
int cvmeanshift( const void* imgprob, cvrect windowin,
cvtermcriteria criteria, cvconnectedcomp* comp )
但是當它用於跟蹤時，這張輸入的影象就必須是反向投影圖了。
為什麼必須是反向投影圖呢？首先我們要理解什麼是反向投影圖。
簡單理解它其實實際上是一張概率密度圖。經過反向投影時的輸入是乙個目標影象的直方圖（也可以認為是目標影象），還乙個輸入是當前影象就是你要跟蹤的全圖，輸出大小與全圖一樣大，它上畫素點表徵著一種概率，就是全圖上這個點是目標影象一部分的概率。如果這個點越亮，就說明這個點屬於物體的概率越大。現在我們明白了這原來是一張概率圖了。當用meanshift跟蹤時，輸入的原來是這樣一幅影象，那也不難怪它可以進行跟蹤了。
半自動跟蹤思路
用過opencv的都知道，這其實是camshiftdemo的工作過程。
第一步：選中物體，記錄你輸入的方框和物體。
第三步：根據反向投影圖和輸入的方框進行meanshift迭代，由於它是向重心移動，即向反向投影圖中概率大的地方移動，所以始終會移動到目標上。
全自動跟蹤思路
第一步：運用運動檢測演算法將運動的物體與背景分割開來。
第二步：提取運動物體的輪廓，並從原圖中獲取運**像的資訊。
第三步：對這個資訊進行反向投影，獲取反向投影圖。
第四步：根據反向投影圖和物體的輪廓（也就是輸入的方框）進行meanshift迭代，由於它是向重心移 動，即向反向投影圖中概率大的地方移動，所以始終會移動到物體上。
總結：用meanshift進行跟蹤最重要的一點是輸入影象的把握，也就是要讓它的迭代能越來越迭代到目標上。這種影象也不一定就是反向投影圖，只要是一幅反映當前影象中每個畫素點含有目標概率圖就可以了，其實反向投影圖就是這樣的一幅圖而已。
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...
Camshift目標跟蹤
camshift演算法是continuously adaptive mean shift algorithm的簡稱。它是乙個基於meansift的改進演算法。它首次由gary r.bradski等人提出和應用在人臉的跟蹤上，並取得了不錯的效果。由於它是利用顏色的概率資訊進行的跟蹤，使得它的執行效率比...