meanshift的简单介绍
一般目标跟踪算法速度有多快
跟踪是一个很混乱的方向。
比如TLD、CT、Struct这些效果不错的Tracker其实都不是单纯的Tracker了。09年的时候我记得比较流行的是Particle Filtering， 或者一些MeanShift/CamShift的变形，比如特征变了，比如对问题的假设变了。
后来突然出现一些tracking by detection的方法，之前的很多朋友就觉得这是耍流氓。比如TLD，严格的跟踪算法也许只是里面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎样，一下就火了。
之后所谓的跟踪就不再是一个传统的跟踪问题，而是一个综合的工程问题。online learning，random projection ，sparse learning的东西都加进来，大家其实到底是在做跟踪还是在做检测或者online learning，其实已经不重要，因为衡量的标准是你在某些public dataset上的精度。
但这些对实际的项目有没有帮助呢？
这是个很有意思的地方，在很多时候，我们之所以需要跟踪算法，是因为我们的检测算法很慢，跟踪很快。基本上当前排名前几的跟踪算法都很难用在这样的情况下，因为你实际的速度已经太慢了，比如TLD，CT，还有Struct，如果目标超过十个，基本上就炸了。况且还有些跟踪算法自己drift掉了也不知道，比如第一版本的CT是无法处理drift的问题的，TLD是可以的，究其原因还是因为检测算法比较鲁棒啊……
实际中我觉得速度极快，实现也简单的纯跟踪算法居然是NCC和Overlap。
NCC很简单，这个是对点进行的，对于区域也有很多变种，网上有一些相关的资源。
Overlap是我取的名字，一般用在里面，假如你的摄像头是静止的，背景建模之后出来的前景可以是一个一个的blob，对相邻两帧的blob检测是否Overlap就可以得到track。在一些真实场景下，这个算法是非常有效的。关于背景template的问题在真实的里面也是很好解决的。
坐在电脑前面调试代码tuning 各种阈值让跟踪算法在某一个帧下面不要drift的事情我是再也不想干了。
顺祝你2015幸福快乐。
谁能跟我详细说一下meanshift算法图像分割的原理以及应用
meanShift,均值漂移，在聚类、图像平滑、分割、跟踪等方面有着广泛的应用。meanShift这个概念最早是由Fukunage在1975年提出的，其最初的含义正如其名：偏移的均值向量；但随着理论的发展，meanShift的含义已经发生了很多变化。
什么是均值漂移图像分割技术？
均值漂移算法是一种通用的聚类算法，它的基本原理是：对于给定的一定数量样本，任选其中一个样本，以该样本为中心点划定一个圆形区域，求取该圆形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。
可以利用均值偏移算法的这个特性，实现彩色图像分割，Opencv中对应的函数是pyrMeanShiftFiltering。这个函数严格来说并不是图像的分割，而是图像在色彩层面的平滑滤波，它可以中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉面积较小的颜色区域，所以在Opencv中它的后缀是滤波“Filter”，而不是分割“segment”。先列一下这个函数，再说一下它“分割”彩色图像的实现过程。
算法实施过程为：原点是选定的初始迭代点，将蓝色圆(其半径记为h)内所有向量相加，相加的结果如黄色向量所示，其终点指向上图所示的红色点，则下一次迭代以该红色点为圆心，h为半径画圆，然后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。所以 均值漂移算法本质上是一种基于梯度的优化算法。
想看看cvPyrMeanShiftFiltering这个函数的效果，我这个程序有问题么？？
输入图像长宽必须能被2整除，你可以这样——CvSize sz = cvSize( m_RGBImage-width -2, m_RGBImage-height -2); 再设置ROI区域：cvSetImageROI( pImage, cvRect(0,0,sz.width, sz.height));，之后再在cvPyrMeanShiftFiltering(pImage,pImage,4,10,2);希望能帮到你！！！
python meanshift对高维适用吗
其实Matlab的帮助是写得很详细了。我主要做科学计算的，说说用于数值计算上的几点。 Python其实比Matlab在字符串处理上强很多，数值计算倒不一定强的。 安装好2015a和python（我是直接用的python的distribution Anaconda），不要做其它设置，就...