4.5、classifier.prepare(scales);准备分类器，scales(size类型)容器里是所有扫描窗口（21个）的尺度，由上面的buildGrid()函数初始化；
TLD的分类器有三部分：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，每一个扫描窗口依次全部通过上面三个分类器，才被认为含有前景目标。这里prepare这个函数主要是初始化集合分类器模块；
集合分类器（随机森林）基于n个基本分类器（共10棵树），每个分类器（树）都是基于一个pixelcomparisons（共13个像素比较集）的，也就是说每棵树有13个判断节点（组成一个pixelcomparisons），输入的图像片与每一个判断节点（相应像素点）进行比较，产生0或者1，然后将这13个0或者1连成一个13位的二进制码x（有2^13种可能），每一个x对应一个后验概率P(y|x)= #p/(#p+#n) （也有2^13种可能），#p和#n分别是正和负图像片的数目。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；
后验概率P(y|x)= #p/(#p+#n)的产生方法：初始化时，每个后验概率都得初始化为0；运行时候以下面方式更新：将已知类别标签的样本（训练样本）通过n个分类器进行分类，如果分类结果错误，那么相应的#p和#n就会更新，这样P(y|x)也相应更新了。
pixelcomparisons的产生方法：先用一个归一化的patch去离散化像素空间，产生所有可能的垂直和水平的pixelcomparisons，然后我们把这些pixelcomparisons随机分配给n个分类器，每个分类器得到完全不同的pixelcomparisons（特征集合），这样，所有分类器的特征组统一起来就可以覆盖整个patch了。
特征（FernFeaturestd::vector for each scale）是相对于一种尺度的矩形框而言的，TLD中第s种尺度的第i个特征features[s]= Feature(x1, y1, x2, y2);是两个随机分配的（scales*rng（））像素点坐标（就是由这两个像素点比较得到0或者1的）。每一种尺度的扫描窗口都含有totalFeatures = nstructs* structSize个特征；nstructs为树木（由一个特征组构建，每组特征代表图像块的不同视图表示）的个数；structSize为每棵树的特征个数，也即每棵树的判断节点个数；树上每一个特征都作为一个决策节点；
prepare函数的工作就是先给每一个扫描窗口初始化了对应的pixelcomparisons（两个随机分配的像素点坐标）；然后初始化后验概率为0；
posteriors、 pCounter、 nCounter数量为n行（10个基本分类器）的值，每维8192（2.^13）个值
4.6、generatePositiveData(frame1, num_warps_init);此函数通过对第一帧图像的目标框box（用户指定的要跟踪的目标）进行仿射变换来合成训练初始分类器的正样本集。具体方法如下：先在距离初始的目标框最近的扫描窗口内选择10个boundingbox（已经由上面的getOverlappingBoxes函数得到，存于good_boxes里面了），然后在每个boundingbox的内部，进行±1%范围的偏移，±1%范围的尺度变化，±10%范围的平面内旋转，并且在每个像素上增加方差为5的高斯噪声（确切的大小是在指定的范围内随机选择的），那么每个box都进行20次这种几何变换，那么10个box将产生200个仿射变换的boundingbox，作为正样本。具体实现如下：
getPattern(frame(best_box),pEx, mean, stdev);此函数将frame图像best_box区域的图像片归一化为均值为0的15*15大小的patch，存于pEx（用于最近邻分类器的正样本）正样本中（最近邻的box的Pattern），该正样本只有一个。同时还获取当前box内的均值与方差，分别存于mean和stdev中。
generator(frame,pt, warped, bbhull.size(), rng);此函数属于PatchGenerator类的构造函数，用来对图像区域进行仿射变换，先RNG一个随机因子，再调用（）运算符产生一个变换后的正样本。
classifier.getFeatures(patch,grid[idx].sidx, fern);函数得到输入的patch的特征fern（13位的二进制代码）；（前面已经说了如何获取：prepare函数的工作就是先给每一个扫描窗口初始化了对应的pixelcomparisons（两个随机分配的像素点坐标），就是计算这两个点对应的Patch像素值的大小）
pX.push_back(make_pair(fern,1)); //positive ferns <features, labels=1>然后标记为正样本，存入pX（用于集合分类器的正样本）正样本库；
以上的操作会循环 num_warps * good_boxes.size()即20 * 10次，这样，pEx就有了一个正样本，而pX有了200个正样本了；
得到的pEx为均值为0的一个Mat（15*15），而pX为200个，每个为10个的二进制码转换后的数 | 
