分割、识别、跟踪是图像处理中的重要应用。 一般算法步骤是检测点、线、面（区域），分割，然后根据人的先验知识进行识别。
而meanshift算法是利用颜色直方图（颜色空间），形成的目标特征，去搜索和跟踪。
backproject和meanshift算法在opencv中都有实现，而且网上的论述一抓一大把，这里就不在赘述。在理解其理论意义后，重点关注一下其作用和应用场景。
直方图反向投影： 本质上就是利用模板的颜色空间分布，去改变源图像的像素值，进而突出源图像中与模板类似的图像特征。
所以，backproject最明显的作用就是在一整幅图像中突出目标模板的 特征。
利用backproject的结果，可以用于分割检测、跟踪目标等。
meanshift算法在图像中，可用于分割、轮廓检测、聚类、跟踪、带有不连续性效果的平滑等。
meanshift算法在图像中常被用作物体的跟踪，效果很不错，但其也有几个不足的地方：
a) 当被跟踪物体与背景颜色不大相同时，效果很好；但当被跟踪物体 移动到相近颜色 的背景区域时，效果就不好了。一般的处理方法，可以将静态的背景去除掉，减少背景干扰。
b) 跟踪区域大小的确定是一个难点，跟踪区域过小，就不能很好的获取整个物体的特征；而跟踪区域过大，会把其他无关的区域的特征牵扯进来。
c) 当物体与相机有位置上的相对移动时，会有景深效应，物体在图像中的大小会有变化。针对这个问题，必须对跟踪区域的大小也需要一个scale变化。但是，单纯的对检测区域scale的变化，会降低检测效率，增加误检率。一般现在的方法是根据space和scale两种特征来检测。
d) meanshift 算法本质上是一个最速下降的最优化问题，但也存在局部最优问题。所以，可以选用多个种子点（起始点），同时进行meanshift算法的运算，选取一个最优结果。
backproject突出了目标的颜色空间的特征，而meanshift算法 具有实时性、适应性强等特征。
backproject与meanshift结合，有以下优点：
a) 计算量不是很大，可以做到实时跟踪；
b) 应用颜色空间直方图，不受背景移动（目标移动，但大小不变）、旋转、边缘遮挡、变形的影响。
不足：
a) 目标尺度变化，搜索窗口也需要变化，否则，就会搜索失败；
b) 当目标速度较快等情况时，跟踪效果可能会打折扣；
c) 单纯的颜色直方图信息，特征略显得单薄。
改善方法：
a) 目标位置预测机制
b) 不断更新目标模板
c) 利用多尺度窗口和空间特征，扩大meanshift算法的适应性
单纯的meanshift算法的效率还是不错的，但在处理复杂情况时，如解决局部最优问题、多尺度问题、目标速度过快（前后两图无重叠）等，meanshift算法就需要多次运行，效率会降低，所以，尽量做好前期预处理工作，降低运算量，如去除固定的背景、kalmanfilter预测目标的下一个位置等。
从backproject到meanshift：各自的作用,布布扣,bubuko.com
原文：http://blog.csdn.net/viewcode/article/details/37498267