均值漂移，可以对非刚性物理进行跟踪，是分参数估计，过程是迭代的过程，对光和形态不敏感，缺点是检测目标是固定的，特征不较少，模板背景没有实时更新，没有目标的位置精度预测只是梯度浓聚，
原理：
用文字标书就是在圆弧r范围内也就是划定的目标区域内，进行灰度像素直方图的相加取均值，这个均值就是目标中心的浓聚，借用公式如下
从每个像素开始，首先估计有相似颜色的邻近像素点的密度（局部密度）的梯度，而后利用迭代算法求出局部密度的峰值（即重心点），把能够聚类到同一个峰值点的所有像素点划分成一个区域。
以上为mean shift的数学原理。有关文字的叙述已经在上一篇中提到了。用mean shift来跟踪属于确定性算法，粒子滤波器属于统计学方法。meanshift跟踪算法相对于粒子滤波器来说可能实时性更好一些，但是跟踪的准确性在理论上还是略逊于粒子滤波器的。mean shift跟踪的的实质就是通过对应的模板来确定目标的下一个位置。
质心计算：
1 给定目标的初始位置和尺寸, 计算目标在图像中的直方图;
2 输入新图像, 迭代直到收敛:
计算图像上对应区域的新直方图;
新直方图与目标直方图比较,计算权重;
根据权重,计算图像上对应区域的形心/质心;
根据形心,修正目标位置;
效果：
直方图分为两部分, 每部分大小4096,
RGB的256*256*256种组合, 缩减为16*16*16=4096种组合.
如果目标区域的点是边缘点, 则计入直方图的后一部分,
否则计入直方图的前一部分.
针对缺点的改进：
不足
缺乏必要的模型更新方法；整个跟踪过程中跟踪窗口的大小保持不变，当目标存在尺度变化的时候会导致尺度定位不准确。
连续自适应的Meanshift(CamShift)算法
Bradski根据Mean Shift算法的不足，提出了Camshift算法。CamShift算法，即Continuously Adaptive Mean-Shift算法，基本思想就是对视频图像的多帧进行MeanShift运算，将上一帧结果作为下一帧的初始值，迭代下去。
该算法采用不变矩对目标的尺寸进行估算，实现了连续自适应地调整跟踪窗口的大小和位置，并将其应用在对连续彩色图像序列中的运动目标的快速跟踪。
简单点说，Mean Shift是针对单张图片寻找最优迭代结果，而Camshift则是针对视频序列来处理，并对该序列中的每一帧图片都调用Mean Shift来寻找最优迭代结果。正是由于Camshift针对一个视频序列进行处理，从而保证其可以不断调整窗口的大小，如此一来，当目标的大小发生变化的时候，该算法就可以自适应地调整目标区域继续跟踪。
http://blog.csdn.net/dadaadao/article/details/6029583 meanshift 详解
http://blog.csdn.net/jinshengtao/article/details/30258833
http://www.xuebuyuan.com/1767617.html 公式推导
http://blog.csdn.net/jinshengtao/article/details/30970733 粒子滤波
http://www.kuqin.com/shuoit/20141007/342498.html
https://github.com/RonnyYoung/ImageFeatures/tree/master/source hog特征
http://wenku.baidu.com/link?url=qKZQnQqyR6qrx8ik3TXd2nzDl4mlDUf1WauB6OWq9f8-jo0VPWSBRDC_KPRXvms-yXC_8NzsMzGYC5ewQxuRpqO55_ZFEqrm2kJyw-Q3dyC 卡尔曼滤波预测
http://www.pudn.com/downloads56/sourcecode/multimedia/vfw/detail197185.html 卡尔曼滤波的实现
http://www.pudn.com/downloads154/sourcecode/graph/detail685202.html c实现
http://www.docin.com/p-1393012472.html 人流统计
http://xueshu.baidu.com/s?wd=paperuri:(d8adc654defc2e795fa1dab8a7014c7d)&filter=sc_long_sign&sc_ks_para=q%3D一种基于二部图匹配的智能多目标跟踪算法&tn=SE_baiduxueshu_c1gjeupa&ie=utf-8 学术
http://blog.csdn.net/jinshengtao/article/details/18599165 人脸识别
http://blog.csdn.net/jinshengtao/article/details/23122269 一流检测