我们可以利用OpenCV的直方图，backproject直方图和meanshift算法来跟踪物体。下面通过简单的例子来说明如何实现跟踪算法，我们有两幅狒狒的图片，如下图所示：我们首先在左图中框选狒狒的脸，计算出框选区域的色度(HSV空间的H)直方图，然后在image2中，backproject该直方图，得到每个像素点属于该直方图的概率图。
得到的概率图之后，我们去掉图中低饱和度的像素，然后二值化，最后对该图使用meanshift算法，得到密度最大的区域，这个区域就是我们跟踪的目标区域。
注意下面去掉低饱和度像素的方法(HSV空间中的S分量表示饱和度):
cv::cvtColor(image, hsv, CV_BGR2HSV);
// 按通道分成3副图像
cv::split(hsv,v);
// 标示低饱和度的像素
cv::threshold(v[1],v[1],minSat,255,cv::THRESH_BINARY);
// 得到色度back-projection
result= finder.find(hsv,0.0f,180.0f,ch,1);
// 减少低饱和度像素
cv::bitwise_and(result,v[1],result);
meanshift算法的代码如下，TermCriteria为迭代中值条件，最大迭代次数10，迭代精度0.01，只有这两个条件都满足的时候，迭代才会结束。迭代结束后，rect中存储的就是目标区域的位置。
cv::Rect rect(110,260,35,40);
cv::rectangle(image, rect, cv::Scalar(0,0,255));
cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER,10,0.01);
cv::meanShift(result,rect,criteria);
cv::rectangle(image, rect, cv::Scalar(255,0,0));
程序代码：工程FirstOpenCV22