6.1.2、TLD跟踪模块的实现原理和trackf2f函数的实现：
TLD跟踪模块的实现是利用了MediaFlow中值光流跟踪和跟踪错误检测算法的结合。中值流跟踪方法是基于Forward-BackwardError和NNC的。原理很简单：从t时刻的图像的A点，跟踪到t+1时刻的图像B点；然后倒回来，从t+1时刻的图像的B点往回跟踪，假如跟踪到t时刻的图像的C点，这样就产生了前向和后向两个轨迹，比较t时刻中 A点和C点的距离，如果距离小于一个阈值，那么就认为前向跟踪是正确的；这个距离就是FB_error；
boolLKTracker::trackf2f(const Mat& img1, const Mat& img2,vector< oint2f> &points1, vector<cv: oint2f> &points2)
函数实现过程如下：
（1）先利用金字塔LK光流法跟踪预测前向轨迹：
calcOpticalFlowPyrLK( img1,img2, points1, points2, status, similarity,window_size, level, term_criteria, lambda, 0);
（2）再往回跟踪，产生后向轨迹：
calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error,window_size, level, term_criteria, lambda, 0);
（3）然后计算 FB-error：前向与后向轨迹的误差：
for( int i= 0; i<points1.size(); ++i )
FB_error = norm(pointsFB-points1);
（4）再从前一帧和当前帧图像中（以每个特征点为中心）使用亚象素精度提取10x10象素矩形（使用函数getRectSubPix得到），匹配前一帧和当前帧中提取的10x10象素矩形，得到匹配后的映射图像（调用matchTemplate），得到每一个点的NCC相关系数（也就是相似度大小）。
normCrossCorrelation(img1,img2, points1, points2);//用MatchTemplate进行的计算
（5）然后筛选出 FB_error <=median(FB_error)和sim_error > median(sim_error)的特征点（舍弃跟踪结果不好的特征点），剩下的是不到50%的特征点；
filterPts(points1,points2);
6.2、检测模块detect(img2);
TLD的检测分类器有三部分：方差分类器模块、集合分类器模块和最近邻分类器模块；这三个分类器是级联的。当前帧img2的每一个扫描窗口依次通过上面三个分类器，全部通过才被认为含有前景目标。具体实现过程如下：
先计算img2的积分图，为了更快的计算方差：
integral(frame,iisum,iisqsum);
然后用高斯模糊，去噪：
GaussianBlur(frame,img,Size(9,9),1.5);
下一步就进入了方差检测模块：
6.2.1、方差分类器模块：getVar(grid,iisum,iisqsum) >= var利用积分图计算每个待检测窗口的方差，方差大于var阈值（目标（best_box）patch方差的50%）的，则认为其含有前景目标，通过该模块的进入集合分类器模块：
6.2.2、集合分类器模块：集合分类器（随机森林）共有10颗树（基本分类器），每棵树13个判断节点，每个判断节点经比较得到一个二进制位0或者1，这样每棵树就对应得到一个13位的二进制码x（叶子），这个二进制码x对应于一个后验概率P(y|x)。那么整一个集合分类器（共10个基本分类器）就有10个后验概率了，将10个后验概率进行平均，如果大于阈值（一开始设经验值0.65，后面再训练优化）的话，就认为该图像片含有前景目标；具体过程如下：
（1）先得到该patch的特征值（13位的二进制代码）：
classifier.getFeatures(patch,grid.sidx,ferns);
（2）再计算该特征值对应的后验概率累加值：
conf =classifier.measure_forest(ferns);
（3）若集合分类器的后验概率的平均值大于阈值fern_th（由训练得到），就认为含有前景目标：
if (conf> numtrees * fern_th) dt.bb.push_back(i);
（4）将通过以上两个检测模块的扫描窗口记录在detectstructure dt中；
（5）如果顺利通过以上两个检测模块的扫描窗口数大于100个，则只取后验概率大的前100个；
nth_element(dt.bb.begin(),dt.bb.begin()+100, dt.bb.end(),
CComparator(tmp.conf));
进入最近邻分类器：
6.2.3、最近邻分类器模块（1）先归一化patch的size（放缩至patch_size= 15*15），存入dt.patch;
getPattern(patch,dt.patch,mean,stdev);
（2）计算图像片pattern到在线模型M的相关相似度和保守相似度：
classifier.NNConf(dt.patch,dt.isin,dt.conf1,dt.conf2);
（3）相关相似度大于阈值，则认为含有前景目标：
if(dt.conf1>nn_th) dbb.push_back(grid[idx]);
到目前为止，检测器检测完成，全部通过三个检测模块的扫描窗口存在dbb中； |
