ref：參考自：這里（目標跟蹤）
Meanshift圖像分割：這里
最近看到FT算法使用meanshift算法進行顯著圖的分割，於是就來學習他的姿勢
對於集合中的每一個元素，對它執行下面的操作：把該元素移動到它鄰域中所有元素的特征值的均值的位置，不斷重復直到收斂。
准確的說，不是真正移動元素，而是把該元素與它的收斂位置的元素標記為同一類。對於圖像來說，所有元素程矩陣排列，特征值便是像素的灰度值。
此外，從公式1中可以看到，只要是落入Sh的采樣點，無論其離中心x的遠近，對最終的Mh(x)計算的貢獻是一樣的。然而在現實跟蹤過程中，當跟蹤目標出現遮擋等影響時，由於外層的像素值容易受遮擋或背景的影響，所以目標模型中心附近的像素比靠外的像素更可靠。因此，對於所有采樣點，每個樣本點的重要性應該是不同的，離中心點越遠，其權值應該越小。故引入核函數和權重系數來提高跟蹤算法的魯棒性並增加搜索跟蹤能力。
接下來，談談核函數：
核函數也叫窗口函數，在核估計中起到平滑的作用。常用的核函數有：Uniform，Epannechnikov，Gaussian等。本文算法只用到了Epannechnikov，它數序定義如下：
