1.meanshift原理：假设有一个堆点集，还有一个小窗口，窗口可能是圆形的
也可能是其他形状的，可能要移动这个窗口到点集密度最大的区域中，
也就是质心要到那个最密集的地方
2.流程：
1）图像上选定目标
2）计算选定区域直方图分布，一般是HSV色彩空间的直方图
3）对下一帧图像b同样计算直方图分布
4）计算图像b当中与选定区域直方图分布最为相似的区域，使用meanshift
算法将选定区域沿着最为相似的部分进行移动，知道找到最为相似的区域，
完成追踪
5）重复3到4 的过程，完成整个视频追踪目标
3.API:cv.meanShift(probImage,window,criteria)
参数：
probImage：RIO区域，目标直方图反向投影
window:初始搜索窗口，定义ROI的rect
criteria:确定搜索停止的准则，迭代次数达到最大值，窗口中心的漂移值
大于某个设定的限值
2.实现的主要流程
1）.读取视频文件：cv.VideoCapture()
2）.感兴趣区域设置：获取每一帧图像，并设置感兴趣区域
3）计算直方图，计算感兴趣区域的HSV直方图，进行归一化
4）目标追踪，设置窗口搜索停止条件，直方图反向投影，进行目标追踪，
并在目标位置绘制矩形框
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
#1.视频读取
cap = cv.VideoCapture()
#2.获取每一帧图像
rest,frame = cap.read()
#3.绘制直方图
dst = cv.calHist(cap,(0,0,255))
#4.进行meanshift追踪
ret,trace_window = cv.meanshift(dst,track_window,term_crit)
#5.将追踪的位置绘制在视频上
x,y,w,h = track_window
imgs = cv.rectangle(frame,(x,y),(x+w,y+h),255,2)
cv.imshow()
cap.release()
cv.destroyAllwindow()
3.camshift算法是在meanshift算法基础上，可以通过追踪目标的窗口的改变
来优化meanshift算法
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
#1.视频读取
cap = cv.VideoCapture()
#2.获取每一帧图像
rest,frame = cap.read()
#3.绘制直方图
dst = cv.calHist(cap,(0,0,255))
#4.进行camshift追踪
ret,track_windodw = cv.CamShift(dst,track_window,term-crit)
#绘制追踪结果
pts = cv.boxPoints(ret)
pts = np.int0(pts)
img2 = cv.polylines(frame,[pts],True,255,2)
cv.imshow()
cap.release()
cv.destroyAllwindow()
