1：MeanShift算法
retval, window=cv.meanShift(probImage, window, criteria)
参数probImage：当前图像反向投影图
参数window：前一图像目标框
参数criteria：迭代停止条件
算法原理：属于核密度估计算法，向密度最大的方向移动（反向投影就是一种概率密度图，颜色亮的地方密度高，与目标物体更相似）；基于矩形框的中心和矩形框内反向投影图的质心进行移动（中心向质心移动），直到达到迭代停止条件，则会得到新的位置框。
基本流程：
（1）选定目标框。
（2）根据色调或灰度值来设定条件，目的是为了提取目标区域，因为矩形框一般会包含有背景，会对后面的反向投影有较大影响；比如下面示例中人物穿的黑色衣服，背景地是白色，就可以设定灰度范围[0,100]来过滤掉地的影响。
（3）计算目标框内目标的直方图，并对直方图进行归一化[0,255]。
（4）对于每一帧，基于目标直方图计算反向投影。
（5）对于每一帧，基于当前帧的反向投影调用meanShift算法得到新的目标矩形框。
（6）重复（4）、（5）知道视频结束。
上述第一张图是要跟踪的目标图和目标区域标记图，第二幅图是跟踪图和反向投影图。
2：CamShift算法
retval, window=cv.CamShift(probImage, window, criteria)
算法原理：每帧基于MeanShift算法的结果计算新的窗体，然后每帧都重复该操作；所以该算法的目标框是大小变化的，而且是不同角度的矩形框，这与上述算法不同。
说实话，opencv提供的上述算法效果很一般，自己学习或者做简单的应用可以，但用在实际项目中就不合适了，满足不了项目需求，但因为是没有用到训练模型，只是单纯的基于算法进行逐帧计算，所以速度很快，效果也就不要太过强求了，想要一个好的跟踪算法最好是做目标识别然后再跟踪，所以这里以学习为主。
