TLD算法的運行過程中，關於圖像的操作，很大部分都是在fern.cpp中完成的，包括分配內存，計算一些指標，還有隨機森林。這部分我看了好幾遍，因爲裏面的結構實在有點多，而且比較繁瑣。下面記錄下我的結果。
按照tld調用fern的順序講。
（一）在tldinit.m中首先調用，fern(0)，清楚所有靜態數據，
（二）然後是fern(1,tld.source.im0.input,tld.grid,tld.features,tld.scales),分配所需的內存空間和結構。
tld.source.im0.input，這是是第一幅圖像。
tld.grid，這是之前建立的關於窗格的矩陣。
是6*N的矩陣，每一列分別代表一個窗格，6個數分別表示坐上角x,y座標，右下角x,y座標，第幾個尺度（從1開始），該尺度下一行的窗格數，這樣看比較清楚，每列一個窗格，至於列數不確定，視具體情況而定。
tld.features，這是之前建立的特徵點位置，包括兩個域，第一個是52*10的矩陣，裏面都是由隨機函數生成，經過處理的0到1之間的點，代表在某個窗格中的偏移。第二個是個字符forest，沒啥大意義。
tld.scales，這是2*M的矩陣，每列表示一個scale下面，窗格的高和寬，即行數和列數。
下面說下這個函數具體分配了哪些空間。：
iHEIGHT = mxGetM(prhs[1]); //圖片的大小
iWIDTH = mxGetN(prhs[1]);
nTREES = mxGetN(mxGetField(prhs[3],0,"x"));
nFEAT = mxGetM(mxGetField(prhs[3],0,"x")) / 4;//因爲feature中是52*10，所以除以4剛好的13和論文裏一致。因爲feature有兩個域，所以要加mxGetField。
thrN = 0.5 * nTREES; //閥值
nSCALE = mxGetN(prhs[4]); //尺度的數目
IIMG = (double*) malloc(iHEIGHT*iWIDTH*sizeof(double));
IIMG2 = (double*) malloc(iHEIGHT*iWIDTH*sizeof(double));//分配兩個圖像塊內存
mBBOX = mxGetM(prhs[2]); //其實就是6,
nBBOX = mxGetN(prhs[2]);//這是總共的格子數目 包括各個尺度下的
BBOX = create_offsets_bbox(mxGetPr(prhs[2]));//這個是關鍵之一，將輸入的窗格的座標轉換成內存地址，因爲建立窗格時使用的是平面座標，經過簡單的換算就可以變成內存地址，BBOX是7*N的矩陣，前四個是左上，右下角的x,y座標，第五個是該窗格的面積，第六個是指向該尺度下特徵點矩陣首地址的，因爲每個尺度下，大小不一樣，所有特徵點的偏移量不一樣，所有尺度下的特徵點矩陣依次往後排，所有每個尺度都要往後移，每次累加260個地址，第七個是該尺度下每行的窗格數目。這個是靜態的，以後還會用到這個結構體。
double *x = mxGetPr(mxGetField(prhs[3],0,"x")); //這個指向特徵點矩陣，就是那個52*10的
double *s = mxGetPr(prhs[4]); //指向尺度矩陣 2*M 每列就是該scale的高和寬
OFF = create_offsets(s,x); //將特徵點轉換成每個尺度下的內存地址。這個也是很關鍵的東西，因爲那個feature就一個，而每個尺度下寬和高是不一樣的，所有按照各自的比例將特徵點矩陣換算成各自的地址，而且得到的是21*10*13*2的矩陣，21個尺度，10棵樹，13個特徵點，每個點2個座標值，就是x,y值，對應前面的BBOX中第6個每次累加260，其實就是移動一個’特徵塊‘，到達該尺度對應的特徵點矩陣。在說下這個21，這個OFF只是每個尺度下‘一個’窗格的特徵點矩陣，而且是最左上角的那個，所有計算下一個窗格特徵點位置時要記得往後移。
後面兩個for循環初始化下面三個結構體，全部爲0
static vector<vector <double> > WEIGHT;
static vector<vector <int> > nP;
static vector<vector <int> > nN;
（三）下面是fern(2,tld.X{1},tld.Y{1},tld.model.thr_fern,bootstrap);
這個是得到了正負樣本值後，對fern中的隨機森林進行具體的初始化
X{1}裏面是正負樣本，Y{1}指示對應的列是正樣本還是負樣本，thr_fern和bootstrap是設定的參數。
下面說下WEIGHT，nP，nN 這三個結構是啥，分別是10*2的13次方，10表示10棵樹，2的13次方是因爲，每棵樹13位，所以每個值都要有，nP[i][idx]，表示第i棵樹特徵是idx的點出現的次數，nN類似， WEIGHT[i][idx]，表示第i棵樹中，特徵idx出現在正樣本中的次數與出現總次數的比例。
fern(2)就是根據正負樣本的特徵值初始化以上三個結構體，將來detector工作的時候需要用到這三個東西。
（四）conf_fern = fern(3,nX2)，nX2是負樣本矩陣，conf_fern是1*M的矩陣，表示對應的負樣本被當成正樣本的比例，用於糾正設定的系統參數tld.model.thr_fern。
（五）fern(4,img,tld.control.maxbbox,tld.var,tld.tmp.conf,tld.tmp.patt)，這是在tldDetection中出現的
img就是輸入的圖片，tld.control.maxbbox和tld.var是系統參數，tld.var出現在tldinit中，tld.var = var(pEx(:,1))/2;是初始目標區域像素方差的一半，和論文中一致，後兩個是用來接收計算結果的，輸入是空的。
這個其實就是tld的檢測器，只不過有些東西前面分配好了而已。大致過程就是，滑動每個窗格，用
conf[I] = measure_bbox_offset(blur,I,minVar,tPatt)這個處理，I就是窗格的序號，minVar，是初始目標方差的一半用於級聯分類器的第一級，比它小的，直接返回，否則繼續，計算這窗格對應的局部2值特徵，並且到WEIGHT中查找，該特徵值，屬於正樣本的比例，conf就是10棵樹總的比例之和。
tld.tmp.conf，是窗格屬於正樣本的比例，越高越可能是正樣本，tld.tmp.patt，是每個窗格的patten值，即局部二值特徵。
（六）fern(5,im1,idxP,0) 就是計算輸入窗格的局部二值特徵值。