视频跟踪之均值漂移算法的实现

meanshift(均值漂移算法)实际上是一种基于梯度的搜索算法，先看看meanshift简单的推导:给定d维空间Rd中的几个样本点，任选一点x0,,(n维)

meanshift向量的基本形式定义为:

                                                                                    

其中Sk是以点x0为球心，半径为h的一个高维球，若是二维，那自然就是一个圆了。k为落入高维球区域内样本的个数.而且这个区域的所有点y满足以下关系:

                                                                                       

                                                                                       

如下图，假设样本点处在一个二维空间内

                                                                                               

如图蓝色点是我们选定的迭代的初始点即x0，将蓝色圆(圆的半径为h)内所有向量相加，相加的结果为如图为黑色向量，其终点指向的是如图所示的红色点，然后以红色点为圆心，h为半径再画一个圆，再求这个圆内以圆心为起点所有向量的和。如此迭代下去，圆的中心点为收敛于一个固定的点，也就是概率密度最大的地方。

以上只是meanshift大概的解释，还没有涉及到核函数.

我们知道密度估计理论分为两种：一种是参数密度估计，如高斯建模，即对模型的参数进行估计，其估计方法有两个：最大似然估计和贝叶斯估计。另一种是无参密度估计：如直方图，最近邻域法，核密度估计等。

核密度估计有一点类似于直方图，它也把数据值域分成若干相等的区间，每个区间称为一个bin,将样本数据按照这些区间划分到不同的bin，每个bin中样本的个数与总样本数量的比值就是每个bin的值，如:假设有1,2,3,4,5,6,7,8,9这9个样本，1到3之间的数分到一个bin（称为bin1）,4到6的分到一个bin(bin2)，7到9的分到一个bin(bin3)，则bin1的值为1/3,bin2=1/3,bin3=1/3;

相对于直方图法，核密度估计多了一个平滑数据的核函数，如高斯核函数。之所以要用到核函数，主要是对样本点进行加权，我们知道对于高维球内所有的样本点，他们对求解的贡献是不一样的，那么怎样去衡量这个贡献呢，为此便引入了核函数，说白了&