Meanshift视觉跟踪方法笔记

重新看这篇文章，发现之前很多地方理解的不对。

Meanshift几乎是最高效稳定的一种视觉跟踪方法，由于它用直方图作为目标特征，也可以较好的处理目标物体无规则形变等现象。

理论基础：给定一些观测数据样本x_i，可以用kernel的方式估计x的概率分布f(x)，这个概率分布与定义的kernel函数k(d)（这里的d代表观测样本与x的距离的标量）有关。可以得到f(x)对x的导数的估计值与下面两个数值的乘积成正比：

1.    用g(d)=k’(d)作为kernel对x进行概率分布估计的结果f_g(x)；

2.    用g(d)作为权重，所有样本点的平均重心(mean)与x的距离。

跟踪方法：

1. 用目标区域的颜色/灰度分布直方图作为目标特征；

2. 用Bhattacharyya系数作为两个直方图之间相似性的度量，这个系数的定义：d(p,q)=\sum sqrt(p(i)*q(i))。其中q与p是两个直方图；

3. 在上面的条件下可以推导得出，在目标帧中寻找跟踪匹配的迭代过程，相当于从一个起始位置开始，以某一已知的权重系数迭代寻找(shift)起始位置的平均重心(mean)，直到重心稳定不再变化；

4. 在跟踪过程中目标的尺度的变化在每一次迭代之后单独进行优化。

论文原文发表于2000 CVPR：

Real-time tracking of non-rigid objects using mean shift

有关利用Meanshift进行跟踪的著名的Camshift算法，可以参见之前的这一篇文章：
http://tonysh-thu.blogspot.com/2007/04/camshift_03.html