CAMshift是一种基于对视频序列采用MeanShift算法进行运算，并将上一帧的结果（即搜索窗口的中心位置和窗口大小）作为下一帧MeanShift算法的搜索窗口的初始值的算法。如此迭代下去，我们便可以对视频中移动的物体进行追踪。

MeanShift算法：

首先，我们假设平面空间有这样随机分布的点，如下：
在这里插入图片描述
我们随机以某点为圆心，合适的半径r作圆：

然后落在圆中的所有点与圆心连接形成向量：

在这里插入图片描述

这样我们不难看出，点分布较密集的区域形成的向量数量较多，于是我们取点最密集的方向作为圆心偏移的方向，所有向量模的平均值为圆心偏移的位移

在这里插入图片描述
这样逐渐进行下去，最终我们的圆将会停留在空间中点的分布最为密集的区域。

这其中的数学公式我们不作详细推导。

而将此算法应用在图像处理中，一般一个图像就是个矩阵，像素点均匀的分布在图像上，就没有点的稠密性。
如果我们就算点x的概率密度，采用的方法如下：以x为圆心，以r为半径。落在球内的点位xi 定义二个模式规则。

（1）x像素点的颜色与xi像素点颜色越相近，我们定义概率密度越高。
（2）离x的位置越近的像素点xi，定义概率密度越高。

所以定义总的概率密度，是二个规则概率密度乘积的结果可以表示为：
在这里插入图片描述

其中：右式第二个因式代表空间位置的信息，离远点越近，其值就越大，第三个表示颜色信息，颜色越相似，其值越大。如图左上角图片，按照（4）计算的概率密度如图右上

因此我们通过计算图像的直方图反向投影，就可以根据上述的算法实现目标追踪。

操作步骤：

1、获取跟踪目标的hsv图像，并且分离出其中h部分；

2、根据阈值用inRange函数构建掩膜；

3、计算直方图，并且归一化；

4、直方图反向投影calcBackProject()；

5、CamShift算法跟踪，获得跟踪目标的旋转外接矩形RotatedRect；

6、在原视频中绘制矩形锁定跟踪目标。

代码演示：

#include <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>

using namespace cv;
using namespace std;

int smin = 15;
int vmin = 40;
int vmax = 256;
int bins = 16;
int main(int argc, char** argv) {
 VideoCapture capture(0);
 if (!capture.isOpened()) {
  printf("could not find video data file...\n");
  return -1;
 }
 namedWindow("CAMShift Tracking", WINDOW_AUTOSIZE);
 namedWindow("ROI Histogram", WINDOW_AUTOSIZE);

bool firstRead = true;
 float hrange[] = { 0, 180 };
 const float* hranges = hrange;
 Rect selection;
 Mat frame, hsv, hue, mask, hist, backprojection;
 Mat drawImg = Mat::zeros(300, 300, CV_8UC3);

while (capture.read(frame))
 {
  if (firstRead)
   {
   Rect2d first = selectROI("CAMShift Tracking", frame);
   selection.x = first.x;
   selection.y = first.y;
   selection.width = first.width;
   selection.height = first.height;
   printf("ROI.x= %d, ROI.y= %d, width = %d, height= %d", selection.x, selection.y, selection.width, selection.height);
  }

cvtColor(frame, hsv, COLOR_BGR2HSV);
  inRange(hsv, Scalar(0, smin, vmin), Scalar(180, vmax, vmax), mask);
  hue = Mat(hsv.size(), hsv.depth());
  int channels[] = { 0, 0 };
  mixChannels(&hsv, 1, &hue, 1, channels, 1);

if (firstRead) {
   // ROI 直方图计算
   Mat roi(hue, selection);
   Mat maskroi(mask, selection);
   calcHist(&roi, 1, 0, maskroi, hist, 1, &bins, &hranges);
   normalize(hist, hist, 0, 255, NORM_MINMAX);

int binw = drawImg.cols / bins;
   Mat colorIndex = Mat(1, bins, CV_8UC3);
   for (int i = 0; i < bins; i++) {
    colorIndex.at<Vec3b>(0, i) = Vec3b(saturate_cast<uchar>(i * 180 / bins), 255, 255);
   }
   cvtColor(colorIndex, colorIndex, COLOR_HSV2BGR);
   for (int i = 0; i < bins; i++) {
    int  val = saturate_cast<int>(hist.at<float>(i)*drawImg.rows / 255);
    rectangle(drawImg, Point(i*binw, drawImg.rows), Point((i + 1)*binw, drawImg.rows - val), Scalar(colorIndex.at<Vec3b>(0, i)), -1, 8, 0);
   }
  }

// back projection
  calcBackProject(&hue, 1, 0, hist, backprojection, &hranges);
  // CAMShift tracking
  backprojection &= mask;
  RotatedRect trackBox = CamShift(backprojection, selection, TermCriteria((TermCriteria::COUNT | TermCriteria::EPS), 10, 1));

  Point2f vertices[4];
  trackBox.points(vertices);
  for (size_t i = 0; i < 4; i++)
  line(frame, vertices[i], vertices[(i + 1) % 4], Scalar(0, 0, 255), 3, 8);

capture.release();
 waitKey(0);
 return 0;
}