寫在開頭：

             研究了一下午的meanshift 原理，終於弄得有點頭緒了。望參考，如有不對之處，請留言，謝謝！！

meanshift 是什麼玩意， 它能幹啥就不在這裡廢話了。

這張圖熟悉的不能再熟悉的了，作為一下，喜歡用自己程式碼實現一些演算法的大笨狗，我需要知道，

    （1）這些點（小黑點）是怎麼計算得到的？

    （2）他們的計算過程是怎麼實現的？

對於第二個問題，我想好多人都已經解釋的很明白了，這裡不再說了。

針對第一個問題，我查了好多資料，學到了一點自己的見解：

     a. 針對meanshift 的計算過程， 有人臉box（就是需要跟蹤的區域），還有就是原圖（就是輸入影象，這個影象中包含了人臉）

     剛開始box標記在人臉上（第一幀，完全正確！），接下來的一幀 --- 新的一幀中（人臉移動了，但是box還在原處），現在就要移動box跟蹤人臉，

    也就是在新的一幀中找人臉（如果直接檢測就完全不需要跟蹤啦。跟蹤的目的就是減少檢測的次數，因為檢測太費勁！）

     那麼就需要找出這一幀（新的一幀）中哪個區域與人臉（第一幀的box）比較相似了！！！

至此有了一個大的概念，在新的一幀中差找與人臉最相似的區域，並將box移動過去。

   又會有兩個問題：

      （1）相似不相似怎麼計算？

      （2）相似不相似怎麼表現呢？

   對於第一個問題：

      有個叫什麼皮爾遜相關性計算的公式，這裡就不在細說。大概的意思是這樣的，判斷兩個影象的相似性，可以通過計算兩個影象直方圖分佈來計算。

 計算box影象與影象塊1的相關性，可以得到一個[0,1]之間的數。

這樣得到一個相關性圖（概率圖），每一個畫素的值都是[0,1]的小數。這也沒法看啊！！！怎麼辦？？？

勞動人民的智慧還是不錯滴，將[0,1]對映到[0,255]就產生一張灰度圖了。相關性越高的地方，在灰度圖中就越亮。也就是第一張圖中的各種點。我感覺這個灰度圖就是反向投影圖！！！不再解釋，被其他部落格的人坑了好長時間！

下面將計算第一個點是如何邁出它的第一步的：

似不似算出來的移動有點大，有點大，不用怕，第二次迭代的時候就修正過來啦！！！

貌似，我這種只是一種可見的方式，肯定還會有其他的移動方式，比如計算質心什麼玩意的。對不對，大笨狗始終是大笨狗。

opencv官方文件中的meanshift迭代過程：

（by 終結大笨狗，如有問題，請留言指出）