如果背景是均匀的，并且对象不会移动太多，这些循环移位相当于图像中的实际转换，并且该框架运行良好。

CF跟踪器缺陷：

 1> 边界效应 

 　　可以用cos_window消除（Ps：减小了搜索区域）

 2> 此外，目标搜索区域只包含一个小的局部邻域，以限制漂移并保持计算成本低。

　　 可以用粒子滤波器进行改善

CF公式

　　脊回归

　　　　　　

     A0是a0循环位移得来的，是循环矩阵，y是2D高斯标签（位移越大，系数越小，因为位移大，说明变形越大），lamda是正则项（就是为了防止分母等于零造成无解）；

　　　　　　

   （Ps：w的解为什么和A0无关？因为在傅里叶变换中化简了，a0代表A0）

　（Ps：w的本质就是所求特征的系数（自我感觉））

 

   （Ps:链接：http://www.cnblogs.com/YiXiaoZhou/p/5925019.html ，讲的特别具体，大力推荐），为了省事，之后复制公式

　　

　　

　　

    　想看核空间的朋友可以参考上面推荐的博客，我只是把我理解的部分写出来了，本质上就是一步步推算。

　　　　　　　　

     X就是上一帧patch循环位移得到的，α和ω本质上都是系数，只是α的维数更高（超平面）。Φ就是超平面的映射（可参考SVM支持向量机）。

  　　　　　　　　（Ps：具体推导看上面链接）

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

　CA + CF

　　　

　　Ai就是由 context patches 循环位移得来的。最后一项的最用是 context patches 的响应为零。

　　变换下形式：

　　 ，，

       （Ps：k个 context patches）

　　 

　　求ω的导数等于0，得

　　　

　　经傅里叶变换

　　

　　与核空间类似

　　

　　

　　

　　α的每一个元素分别求解

　　

　　求响应