从一篇博士论文看到了Meanshif算法，主要是用来解决人体关节目标跟踪的，提出 基于MeanShift的人体关节运动跟踪算法，所以先了解下什么是MeanShif算法，查了资料看到其中jameshater文章通俗易懂 http://blog.****.net/jameshater/article/details/50992155。其中介绍的博客也是很棒棒的，理解起来还是很辛苦的，加油。

      先看上面链接后再看下面介绍会太容易理解了。

一、简介

     无参密度估计理论：

   （1）无参密度估计也叫做非参数估计（属于数理统计的一个分支），无参密度估计和参数密度估计共同构成了概率密度估计方法。

   （2）参数密度估计方法要求特征空间服从一个已知的概率密度函数，在实际的应用中这个条件很难达到。而无参数密度估计方法对先验知识要求最少，完全依靠训练数据进行估计，并且可以用于任意形状的密度估计。所以依靠无参密度估计方法，即不事先规定概率密度函数的结构形式，在某一连续点处的密度函数值可由该点邻域中的若干样本点估计得出。

  （3）常用的无参密度估计方法有：直方图法、最近邻域法和核密度估计法。

      MeanShift算法正是属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。

     核函数：

    核函数也叫窗口函数，在核估计中起到平滑的作用。常用的核函数有：Uniform，Epannechnikov，Gaussian等。

二、基于MeanShift的目标跟踪算法

       基于均值漂移的目标跟踪算法通过分别计算目标区域和候选区域内像素的特征值概率得到关于目标模型和候选模型的描述，然后利用相似函数度量初始帧目标模型和当前帧的候选模版的相似性，选择使相似函数最大的候选模型并得到关于目标模型的Meanshift向量，这个向量正是目标由初始位置向正确位置移动的向量。由于均值漂移算法的快速收敛性，通过不断迭代计算Meanshift向量，算法最终将收敛到目标的真实位置，达到跟踪的目的。

       （1）目标模型描述

（2）候选模型描述

（3）相似性度量

（4）Meanshift 迭代过程

   运动目标的实现过程【具体算法】：

感谢：

http://blog.****.net/jinshengtao/article/details/30258833

http://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.html

http://blog.****.net/jameshater/article/details/50992155