均值漂移（Meanshift）算法理解
1.均值漂移的基本概念：沿着密度上升方向寻找聚簇点
设想在一个有N个样本点的特征空间
初始确定一个中心点center，计算在设置的半径为D的圆形空间内所有的点（xi）与中心点center的向量
计算整个圆形空间内所有向量的平均值，得到一个偏移均值
将中心点center移动到偏移均值位置
重复移动，直到满足一定条件结束
2.均值漂移运算：
2.1 Mean shift的基础公式：
偏移均值
Sh:以x为中心点，半径为h的高维球区域； k:包含在Sh范围内点的个数； xi:包含在Sh范围内的点
中心更新
将中心点移动到偏移均值位置
Mt为t状态下求得的偏移均值; xt为t状态下的中心
2.2 引入核函数的偏移均值：
核函数
核函数只是用来计算映射到高维空间之后的内积的一种简便方法，目的为让低维的不可分数据变成高维可分。利用核函数，可以忽略映射关系，直接在低维空间中完成计算。
引入核函数的偏移均值
在均值漂移中引入核函数的概念，能够使计算中距离中心的点具有更大的权值，反映距离越短，权值越大的特性。改进的偏移均值：
其中，x为中心点；xi为带宽范围内的点；n为带宽范围内的点的数量；g(x)为对核函数的导数求负
3.均值漂移的应用：
聚类（K均值聚类）
图像分割（将图像映射到特征空间，对采样点进行均值漂移聚类）
对象轮廓检验（光线传播算法）
目标跟踪（求解最优化Bhattacharya系数函数）
4.均值漂移跟踪过程：
针对meanshift 的计算过程， 有人脸box（就是需要跟踪的区域），还有就是原图（就是输入图像，这个图像中包含了人脸）
刚开始box标记在人脸上（第一帧，完全正确！），接下来的一帧 --- 新的一帧中（人脸移动了，但是box还在原处），现在就要移动box跟踪人脸，
也就是在新的一帧中找人脸（如果直接检测就完全不需要跟踪啦。跟踪的目的就是减少检测的次数，因为检测太费劲！）
那么就需要找出这一帧（新的一帧）中哪个区域与人脸（第一帧的box）比较相似了！！！
至此有了一个大的概念，在新的一帧中差找与人脸最相似的区域，并将box移动过去。
又会有两个问题：
（1）相似不相似怎么计算？
（2）相似不相似怎么表现呢？
对于第一个问题：
有个叫什么皮尔逊相关性计算的公式，这里就不在细说。大概的意思是这样的，判断两个图像的相似性，可以通过计算两个图像直方图分布来计算。
计算box图像与图像块1的相关性，可以得到一个[0,1]之间的数。
这样得到一个相关性图（概率图），每一个像素的值都是[0,1]的小数。这也没法看啊！！！怎么办？？？
劳动人民的智慧还是不错滴，将[0,1]映射到[0,255]就产生一张灰度图了。相关性越高的地方，在灰度图中就越亮。也就是第一张图中的各种点。我感觉这个灰度图就是反向投影图！！！不再解释，被其他博客的人坑了好长时间！
下面将计算第一个点是如何迈出它的第一步的：
似不似算出来的移动有点大，有点大，不用怕，第二次迭代的时候就修正过来啦！！！
貌似，我这种只是一种可见的方式，肯定还会有其他的移动方式，比如计算质心什么玩意的。对不对，大笨狗始终是大笨狗。
opencv官方文档中的meanshift迭代过程：
