均值漂移追蹤

均值漂移追蹤用「顏色（或其他特徵）的直方圖」來描述目標，接著在每一張新影格中，藉由反覆把搜尋視窗朝其「加權質心」推移，爬上一個相似度曲面的最近峰頂。把目標想成一個「顏色簽名」；在下一格，你把舊視窗擺上去，問每個像素「你有多像目標？」，再把視窗滑向匹配像素聚集之處，如此反覆直到不再移動。不需要窮舉搜尋——視窗會自己往上坡走向目標。

精確地說，均值漂移是一個尋峰程序，它對一個核密度估計（kernel density estimate）執行梯度上升，卻從不顯式地計算梯度。目標是一個核加權的顏色直方圖（一個平滑的空間核會把靠近視窗邊緣的像素降權）。候選視窗的直方圖透過 Bhattacharyya 係數（衡量兩個機率分布相似度）與目標的直方圖比較。每個像素得到的權重等於「目標對候選」直方圖各格比值的平方根，新的視窗中心則是像素位置的加權平均。反覆執行這個均值漂移，可被證明會收斂到相似度的一個局部極大值。

它的強項是速度（寥寥數次迭代、無需完整搜尋）以及對旋轉與非剛性形變的穩健性，因為顏色直方圖丟棄了空間排列，所以不在乎物體如何彎折或轉向。同樣的特性也是它的弱點：它忽略空間結構，會把目標與顏色相近的背景搞混，且基本演算法無法改變尺度。CAMShift（Continuously Adaptive Mean Shift，連續自適應均值漂移）藉由每格從反投影直方圖的「矩」（分布範圍）重新調整視窗大小與方向來修正尺度問題，這正是 OpenCV 內附的版本，並以基於色相（hue）的臉部／頭部追蹤聞名。