介绍CAMshift之前，必须得先介绍一下MeanShift。因为CAMshift的全称是Continuously Adaptive Meanshift，其中就包含了MeanShift。
Meanshift[1]
直观地看，Meanshift非常容易理解。假设你有一堆点，然后给你一个小窗，你需要做的是通过移动这个小窗，使得窗里的点数尽可能得多。如下图所示：
初始给定一个蓝色圈圈，叫C1，其中心用蓝色方框表示，叫C1_o。那么，你计算一下蓝色圆圈的重心，你会得到C1_r（由一个小蓝圈表示），它是这个蓝色圈圈的实际重心。很显然，两者并不一样。接下来，你需要移动你的圈圈，使两者重合。然后计算新圈圈的质心，大概率的，新的质心和中心还不重合。那么，你就再移动你的圈圈，重复这个过程，直到两者基本重合（或小于给定的误差）。最终，你会得到一个包含最多点的圈圈，在图中被标记为绿色，命名为C2。这个过程可以由以下的GIF动画，形象地展示出来：
通常情况下，我们是在histogram backprojection image上做的。当目标发生运动时，在histogram backprojection image很容易看到。那么，meanshift通过移动窗口就能定位到目标的新位置上。 下图是用meanshift追踪一辆汽车的结果：
Camshift[2]
如果你仔细观察这个结果，很容易发现问题：我们的窗口大小是固定的，不管汽车离我们远，还是离我们近。这显然是不够好，我们需要让我们的窗口自适应：不仅仅是大小，还有方向。这个解决方案来自OpenCV Labs，并叫做CAMShift(Continuously Adaptive Meanshift)。文章的作者是Gary Bradsky，发表在1998年。
首先他用的是meanshift，一旦meanshift收敛了，他就更新窗口的大小，
。同时还进行椭圆拟合得到最佳的方向。在新的scale下，再应用meanshift，如此迭代直到达到一定的准确率。 结果如下所示：
这个过程可以由以下的GIF动画，形象地展示出来：
参考文献
[1] Cheng Y. Mean shift, mode seeking, and clustering[J]. IEEE transactions on pattern analysis and machine intelligence, 1995, 17(8): 790-799.
[2] Allen J G, Xu R Y D, Jin J S. Object tracking using camshift algorithm and multiple quantized feature spaces[C]//ACM International Conference Proceeding Series. 2004, 100: 3-7.
