camshift利用目標的顏色直方圖模型將影象轉換為顏色機率分佈圖，初始化一個搜尋窗的大小和位置，並根據上一幀得到的結果自適應調整搜尋視窗的位置和大小，從而定位出當前影象中目標的中心位置。
分為三個部分：
1--色彩投影圖（反向投影）：
(1).RGB顏色空間對光照亮度變化較為敏感，為了減少此變化對跟蹤效果的影響，首先將影象從RGB空間轉換到HSV空間。(2).然後對其中的H分量作直方圖，在直方圖中代表了不同H分量值出現的機率或者畫素個數，就是說可以查找出H分量大小為h的機率或者畫素個數，即得到了顏色機率查詢表。(3).將影象中每個畫素的值用其顏色出現的機率對替換，就得到了顏色機率分佈圖。這個過程就叫反向投影，顏色機率分佈圖是一個灰度影象。
2--meanshift
meanshift演算法是一種密度函式梯度估計的非引數方法，透過迭代尋優找到機率分佈的極值來定位目標。
演算法過程為：
(1).在顏色機率分佈圖中選取搜尋窗W
(2).計算零階距：
計算一階距：
計算搜尋窗的質心：
(3).調整搜尋窗大小
寬度為；長度為1.2s；
(4).移動搜尋窗的中心到質心，如果移動距離大於預設的固定閾值，則重複2)3)4)，直到搜尋窗的中心與質心間的移動距離小於預設的固定閾值，或者迴圈運算的次數達到某一最大值，停止計算。關於meanshift的收斂性證明可以google相關文獻。
3--camshift
將meanshift演算法擴充套件到連續影象序列，就是camshift演算法。它將影片的所有幀做meanshift運算，並將上一幀的結果，即搜尋窗的大小和中心，作為下一幀meanshift演算法搜尋窗的初始值。如此迭代下去，就可以實現對目標的跟蹤。
(1).初始化搜尋窗
(2).計算搜尋窗的顏色機率分佈（反向投影）
(3).執行meanshift演算法，獲得搜尋窗新的大小和位置。
(4).在下一幀影片影象中用(3)中的值重新初始化搜尋窗的大小和位置，再跳轉到(2)繼續進行。
camshift利用目標的顏色直方圖模型將影象轉換為顏色機率分佈圖，初始化一個搜尋窗的大小和位置，並根據上一幀得到的結果自適應調整搜尋視窗的位置和大小，從而定位出當前影象中目標的中心位置。
分為三個部分：
1--色彩投影圖（反向投影）：
(1).RGB顏色空間對光照亮度變化較為敏感，為了減少此變化對跟蹤效果的影響，首先將影象從RGB空間轉換到HSV空間。(2).然後對其中的H分量作直方圖，在直方圖中代表了不同H分量值出現的機率或者畫素個數，就是說可以查找出H分量大小為h的機率或者畫素個數，即得到了顏色機率查詢表。(3).將影象中每個畫素的值用其顏色出現的機率對替換，就得到了顏色機率分佈圖。這個過程就叫反向投影，顏色機率分佈圖是一個灰度影象。
2--meanshift
meanshift演算法是一種密度函式梯度估計的非引數方法，透過迭代尋優找到機率分佈的極值來定位目標。
演算法過程為：
(1).在顏色機率分佈圖中選取搜尋窗W
(2).計算零階距：
計算一階距：
計算搜尋窗的質心：
(3).調整搜尋窗大小
寬度為；長度為1.2s；
(4).移動搜尋窗的中心到質心，如果移動距離大於預設的固定閾值，則重複2)3)4)，直到搜尋窗的中心與質心間的移動距離小於預設的固定閾值，或者迴圈運算的次數達到某一最大值，停止計算。關於meanshift的收斂性證明可以google相關文獻。
3--camshift
將meanshift演算法擴充套件到連續影象序列，就是camshift演算法。它將影片的所有幀做meanshift運算，並將上一幀的結果，即搜尋窗的大小和中心，作為下一幀meanshift演算法搜尋窗的初始值。如此迭代下去，就可以實現對目標的跟蹤。
演算法過程為：
(1).初始化搜尋窗
(2).計算搜尋窗的顏色機率分佈（反向投影）
(3).執行meanshift演算法，獲得搜尋窗新的大小和位置。
(4).在下一幀影片影象中用(3)中的值重新初始化搜尋窗的大小和位置，再跳轉到(2)繼續進行。