這幾天學習《學習opencv》中的第十章運動跟蹤，裡面講到了meanshift演算法，根據書上所講實在難以理解，meanshift在運動跟蹤這個過程中到底起到什麼作用，於是經過幾天不斷地看相關資料和別人的部落格文章，慢慢思路清晰了，也終於知道了meanshift這個演算法它到底是什麼作用，起到什麼樣的角色，雖然為了弄明白這個演算法花了幾天的時間，但是通過這個過程學到了很多其他的知識。好了，接下來進入正題。
首先要介紹一下meanshift這個演算法，它的本質是乙個迭代的過程，那麼這個演算法的最終效果是什麼呢？或者說這個演算法能做什麼事情？它能夠在一組資料的密度分布中尋找到區域性極值，它比較穩定，而且是無參密度估計（它不需要事先知道樣本資料的概率密度分布函式，完全依靠對樣本點的計算），而且它在取樣充分的情況下，一定會收斂，即可以對服從任意分布的資料進行密度估計。下面來根據幾張來理解一下meanshift演算法的最終效果：
這裡就不把meanshift的數學公式什麼的都寫出來了，只為了讓大家知道meanshift是什麼作用；高維的我們也先不考慮，以二維來說明可能更容易理解，下圖中的很多的紅點就是我們的樣本特徵點，meanshift就是在這些點中的任意乙個點為圓心，然後以半徑r畫乙個圓（在opencv中是乙個矩形），然後落在這個圓中的所有點和圓心都會對應的乙個向量，把所有這些向量相加（注意是向量相加），最終我們只得到乙個向量，就是下圖中用黃色箭頭表示的向量，這個向量就是meanshift向量。
然後再以這個meanshift向量的終點為圓心，繼續上述過程，又可以得到乙個meanshift向量，如下圖：
然後不斷地繼續這樣的過程，我們可以得到很多連續的meanshift向量，這些向量首尾相連，最終得到會在乙個地方停下來（即我們說的meanshift演算法會收斂），最後的那個meanshift向量的終點就是最終得到的結果（乙個點），如下圖：
從上述的過程我們可以看出，meanshift演算法的過程最終的效果就是：從起點開始，最終會一步一步到達樣本特徵點最密集的點那裡（當然在哪個點就是終點這個要取決於我們設定的閾值）。
注：如果還是不明白為什麼會向密集的地方走去，可以利用向量的加法規則自己畫個簡單的圖去理解一下。
到這裡可能只知道meanshift演算法的作用是向資料密集的地方走的乙個效果，但是還是不明白它是怎麼在運動跟蹤中發揮作用的，尤其是不理解它這個樣本特徵點（就是上圖中的紅點點）到底和我們影象中的什麼對應的。
整個運動跟蹤過程就是如下圖所示：
目標跟蹤方法 Mean Shift 演算法
一 概述 mean shift,即均值向量偏移，該理論是一種無引數密度估計演算法，最早由 fukunaga 等人於1975年提出。cheng等人對基本的 mean shift 演算法進行了改進，一方面將核函式引入均值偏移向量，使得隨著樣本與被偏移點的距離不同，對應的偏移量對均值偏移向量的貢獻也不同 ...
meanshift聚類演算法跟蹤原理
這幾天學習 學習opencv 中的第十章運動跟蹤，裡面講到了meanshift演算法，根據書上所講實在難以理解，meanshift在運動跟蹤這個過程中到底起到什麼作用，於是經過幾天不斷地看相關資料和別人的部落格文章，慢慢思路清晰了，也終於知道了meanshift這個演算法它到底是什麼作用，起到什麼樣...
目標跟蹤 Meanshift演算法 均值漂移演算法
傳統的meanshift演算法在跟蹤中有幾個優勢 1 演算法計算量不大，在目標區域已知的情況下完全可以做到實時跟蹤 2 採用核函式直方圖模型，對邊緣遮擋 目標旋轉 變形和背景運動不敏感。1 缺乏必要的模板更新 2 跟蹤過程中由於視窗寬度大小保持不變，當目標尺度有所變化時，跟蹤就會失敗 3 當目標速度...