最近在做基於Meanshift的人臉跟蹤，效果一般。標準算法選擇Hue分量作爲特徵，爲了提高對背景的魯棒性，有人提出了結合梯度、LBP等特徵的多特徵空間。但是直方圖維數太少，而且丟失空間信息，使得特徵分類價值退化嚴重。經測試，對於背景顏色與膚色類似（黃色）的情況，跟蹤失效。因此看了看市面上的產品如何做流量統計。
人流量監測一般採用攝像頭吊頂安裝俯拍的方式，以避免客流量大時的遮擋、重疊等問題。
參考資料：
1：http://www.eccn.com/design_2011101810512969.htm。一種嵌入式方案，利用HOG特徵進行人頭檢測。分爲訓練與檢測兩部分，分類器選擇SVM。類似文安方案，文安的演示視頻效果不好。問題與思考：訓練的分類器對於戴帽子如何處理？如果地面背景與人頭的主要顏色類似呢（比較少）。
2、採用頭部與肩部結合的特徵（類似飛瑞斯的方案，飛瑞斯的演示不錯，當然環境比較單一）。http://cdmd.cnki.com.cn/Article/CDMD-10255-1012312394.htm
HAAR與HOG的兩級分類器，由粗到細，提高速度。分類器特徵：HOG（利用了結構對稱性） 訓練方式：AdaBoost，分類器 SVM級聯
3、源代碼 http://www.pudn.com/downloads456/sourcecode/graph/texture_mapping/detail1919552.html
貌似有訓練好的分類器，跟蹤算法爲粒子濾波。
問題與思考：有的方案利用了運動檢測，只處理運動的部分。那麼對於人頭停留（暫停運動），是否有影響？
分類器的訓練樣本來自哪裏？是統一訓練，還是根據安裝場景不同，採集不同的樣本進行訓練？