複製鏈結
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：
Meanshift演算法學習
ref 參考自 這裡 目標跟蹤 meanshift影象分割 這裡 最近看到ft演算法使用meanshift演算法進行顯著圖的分割，於是就來學習他的姿勢 對於集合中的每乙個元素，對它執行下面的操作 把該元素移動到它鄰域中所有元素的特徵值的均值的位置，不斷重複直到收斂。準確的說，不是真正移動元素，而是把...
Meanshift演算法學習筆記
meanshift演算法實際是乙個自適應的梯度上公升搜尋峰值的演算法 epanechnikov核 剖面函式位為 高斯核 剖面函式為 在x 0時，定義核函式的剖面函式為k x c k,d 是歸一化常量，並假設其為嚴格正實性。採用只有乙個引數的核密度估計得到如下公式 採用剖面函式使得上式變為 核函式這種...
meanShift演算法介紹
meanshift,均值漂移，在聚類 影象平滑 分割 跟蹤等方面有著廣泛的應用。meanshift這個概念最早是由fukunage在1975年提出的，其最初的含義正如其名 偏移的均值向量 但隨著理論的發展，meanshift的含義已經發生了很多變化。如今，我們說的meanshift演算法，一般是指乙...