不使用OpenCV中的meanshift算法，自定义Meanshift跟踪算法C++实现目标跟踪

自定义Meanshift跟踪算法的实现步骤如下：

1. 获取视频帧，并选择要跟踪的目标区域。

2. 将目标区域转换为HSV色彩空间，并计算出该区域的直方图。

3. 对于每个后续帧，首先将其转换为HSV色彩空间，然后使用反向投影算法将其与目标直方图进行比较。

4. 对于每个像素，计算该像素的概率，即它属于目标区域的概率。

5. 使用MeanShift算法来计算下一个目标位置。在此算法中，计算出目标区域的质心，并将其用作新的目标位置。重复该过程，直到质心不再移动。

6. 将新的目标位置用矩形框标记在视频帧上，并将其显示出来。

下面是C++代码实现：

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
    VideoCapture cap(0);

    if (!cap.isOpened()) {
        cout << "Error opening video stream or file" << endl;
        return -1;
    }

    // 选择目标区域
    Rect trackWindow(0, 0, 0, 0);
    bool init = false;
    Mat frame, hsv, mask, hist, backproj;

    // 设置终止条件
    TermCriteria termcrit(TermCriteria::EPS | TermCriteria::COUNT, 10, 1);

    // 设置HSV颜色范围
    int hmin = 0, smin = 0, vmin = 0;
    int hmax = 180, smax = 255, vmax = 255;

    while (true) {
        cap >> frame;

        if (frame.empty())
            break;

        // 将帧转换为HSV颜色空间
        cvtColor(frame, hsv, COLOR_BGR2HSV);

        // 如果已经选择了初始目标区域，则执行跟踪
        if (init) {
            // 计算反向投影
            calcBackProject(&hsv, 1, 0, hist, backproj, &ranges);

            // 应用CAMShift算法来计算新的目标位置
            meanShift(backproj, trackWindow, termcrit);

            // 绘制矩形框
            rectangle(frame, trackWindow, Scalar(0, 0, 255), 3);
        }

        // 显示图像
        imshow("Frame", frame);

        // 按下空格键来选择目标区域
        if (waitKey(1) == ' ') {
            init = false;
            trackWindow = selectROI("Frame", frame, false, false);
            if (trackWindow.area() > 0) {
                Mat roi(hsv, trackWindow);
                calcHist(&roi, 1, 0, mask, hist, 1, &histSize, &ranges);
                normalize(hist, hist, 0, 255, NORM_MINMAX);
                init = true;
            }
        }
    }

    cap.release();
    destroyAllWindows();
    return 0;
}

需要注意的是，这个算法的效果可能不如OpenCV中的MeanShift算法，因为OpenCV中的算法使用了更复杂的技术来提高跟踪的准确性。但是，通过自定义算法，可以更好地理解MeanShift算法的原理和实现。