近期在看meanshift方面的文章，看了一篇博文对这篇文章《Robust scale-adaptive meanshift for tracking》寄予非常高的评价，所以把这篇文章简要的读了一下。以下对这篇文章的核心思想和算法实现过程进行简要整理，由于这篇文章与我眼下项目的关系不是太大，所以就不正确这篇文章进行实现了。这篇文章就作为技术储备了。
文章在前面对meanshift的原理进行了整理和推倒。由于之前对meanshift已经有了初步了解。所以在这就不正确meanshift进行介绍了。主要介绍作者的算法。
meanshift尺寸预计
如果视频帧中目标尺寸是以同向的方式进行变化的，表示像素的位置，N表示图像中像素的个数，目标在图像中用椭圆区域表示为
目标模型在特征
概率密度表示为
当中C是归一化參数。是当前帧运动目标像素的位置。目标的中心是位置y,採用同样的核密度函数。目标状态为
h是目标当前状态的尺寸。
n1目标模板在椭圆区域内的像素个数，nh是目标当前状态在h尺寸下像素的个个数，则，则
则Bya公式能够表示为
依据meanshift原理，我们能够表示为
算法实现过程
MS(s)—Meanshift with regularize scale estimation
输入：目标模板直方图，開始位置
，初始尺寸
输出：终止位置，终止时尺寸
t=1；
循环
公式(10)计算。公式(14)计算权重
；
依据公式(20)更新目标位置。
依据公式(21)得到的结果更新
。
t=t+1;
除了尺寸的更新这个过程与标准meanshift过程一样。在这里应用了两个參数，第一个 我们如果目标尺寸并没有剧烈的变化，因此我们对尺寸变化的处理例如以下(22)所看到的：
当中尺寸參数h被界定在之间。
强迫搜索窗中包括一定比例的背景像素。
的函数如(23)所看到的：
表示搜索窗中背景像素所占的比例。
背景像素所占的权值例如以下计算：
分子是目标模板的像素权重和。分母是全部像素的权重和。
MS(fd)—Meanshift with scale and backward consistency check
MS(s)对于视频中背景分布分散不适用，所以作者提出了返回确认尺寸的MS(fd)方法。通过t-1到t预计位置。用预计的位置进行t到t-1的位置和尺寸确认。这个确认过程保证了背景分散的尺寸预计不会崩溃，而且矫正跟踪错误。
算法过程：
输入：目标模板直方图。開始位置
。初始尺寸
；
输出：每一帧的位置和尺寸；
作者实验过程中的參数为： 。
，
，
，
，
。