在 y点用核函数G计算得到的Meanshift向量，其中Meanshift向量正比于归一化的，我们采用核函数P估计的概率密度的函数的梯度,用核函数G估计的y点的概率密度为归一化因子.因此总是指向概率密度增加最大的方向是Mean Shift向量[2].

Meanshift算法的步骤

                                    （2.10）

我们假定一个最初的点y,核函数G(y), 容许误差ε,Mean Shift算法循环的执行下面三步,直至结束条件满足,

•计算 

•把 赋给y

•假设 ，停止循环；否则，重复上面步骤

相应流程图如下

2.2粒子滤波法

粒了滤波是指:通过寻找一组传播在状态空间中的随机样本，然后我们对概率密度函数 相似比较，积分运算被样本均值所取代，从而估计的状态最小方差过程我们就获得，我们称这些样本为“粒子” [5]。我们用数语对他们进行表达:对于随机平稳过程，如果p一1时间点工作的下面检验概率密度为 ，按照一些特定的规则随机选取m个样本点，当 p这个点测量信息被我们收到后，通过动态的改变和时间过程的改变，可把m个粒子的下面检验概率密度看做为 。随着提高粒了数目，粒子的概率密度函数逐渐向状态的概率密度函数靠近，我们得到的粒子滤波估计就与最优贝叶斯估计的效果十分想象[11]。文献综述

粒子滤波算法

粒子滤波最根本的就是将数据处理变为一种叠加运算，这种叠加运算是非无限参考, 即能采用下面的标准概率分布近似表达变化概率密度分布

              （2.11）

式中时刻p的计算统一体是 ， P这个点得到的测量值是 ，时刻p从概率密度函数中得到的第j个粒子用 来表示，粒子的一共数量是N，Diarc函数是 。 表示在一定情况下观察的x 的概率密度。一般条件下不容易不间断地在 获取一个分部。存在一个帮助很大的处理办法如下假设一个抽样不难的不是未知的概率密度函数 ，如何进行选择是一个重要点,选取选择方法中的一部分的措施是缩小关键性权重的方差。在 间断地提出N个带权值的粒子，当获取及时的待测数据时,所有粒子的权值进行及时的加载。在时间的不断流逝中, 逐渐弯曲关键性权值的所处位置, 有很大概率发生粒子匮乏现象。为了消除这个现象, Gordon 等提出了重采样方法, 其关键点是消除那些权值小的粒子,复制权值大。最终能够得到概率密度函数是

                      （2.12）

PF 的具体实现步骤如下: 源.自/吹冰·论\文'网·www.chuibin.com/

步骤1    赋值 获得样本 即 根据 采用获取样本离散， 

步骤2    处理获取样本重要性权值 

计算关键性权值如下 

归一化关键性权值 

步骤3    　重采样从 集合中重新分配粒子权值 ，这是根据关键性权值 ，并经过重新采样，然后获得非旧的N个点的共同体 。