近期在研究畢業設計，原本的題目是改進Meanshift目標跟蹤算法，查了一天的資料，大概瞭解到以前做跟蹤研究的很多是基於Meanshift+濾波器，而現在做跟蹤研究的是Meanshift+機器學習，要想創新的話就必須瞭解一點機器學習的算法。
通過查找資料瞭解到Meanshift算法的優缺點（參考鏈接：http://blog.csdn.net/carson2005/article/details/7341051）
Meanshift有個缺點是受初始值影響較大，如果初始值選取不當，比如特徵點很少，就無法工作。特徵點多且分堆的話容易陷入局部震盪無法收斂。 （參考鏈接：http://www.360doc.com/content/13/1025/12/12105052_324083534.shtml）
那麼怎麼改進Meanshift算來來彌補它的不足呢？我們能不能預先判定目標的大致區域，然後再用Meanshift算法迭代呢？
按照這個思路我去尋找了有關論文，果然有相關的研究，那就是SVM（支持向量機）+Meanshift，大體的思路如下：
首先將目標跟蹤轉化爲目標和背景的二分類問題，提取目標和背景的特徵信息，將目標和背景的特徵分別作爲正負樣本訓練SVM，得到目標與背景的總體分類器，藉助總體分類器來區分臨近下一幀中的目標與背景，在SVM響應最大的區域通過Meanshift算法迭代，從而獲取目標的新位置。
思路大概定好了，下一步就是學習SVM，Meanshift的原理和OpenCV的使用了。加油！
/**************************************持續更新*********************************************/
HOG特徵+SVM訓練：http://blog.163.com/pz124578@126/blog/static/235226942013435156379/
OpenCV基於HOG特徵的行人檢測：http://blog.csdn.net/icvpr/article/details/8454439
HOG+SVM行人檢測識別的兩種方法：http://blog.csdn.net/qianqing13579/article/details/46509037