系数获取及初始计算
1. 通过大神给出的视频文件及相应的.txt文本，能得到pos及target_sz（目标的初始位置及大小）
2. 主函数给出padding（相对于目标大小的附加区域）
所以得到最开始的窗口大小window_sz
高斯标签生成及反傅里叶
1. 计算高斯标签的带宽output_sigma
2. 由[gaussian_shaped_labels.m]生成高斯标签并反傅里叶得yf
3. 对yf加汉宁窗，减少频谱损失
跟踪结果可视化
[show_video.m]
逐帧处理视频
第一帧
1.由pos及window_sz通过[get_subwindow.m]得到检测区域patch
2.通过[get_features.m]对patch区域进行特征提取，得xf
3.通过[gaussian_correlation.m]进行核相关（高斯核）操作由xf得到kf
4.岭回归计算分类器参数alphaf
5.得到下次决定patch区域的pos
第二帧及以后
1.由pos及window_sz通过[get_subwindow.m]得到检测区域patch
2.通过[get_features.m]对patch进行特征提取，得zf
3.通过[gaussian_correlation.m]进行核相关（高斯核）操作由上一帧的xf和这一帧的zf得到kzf
4.求patch中最大相应并确定下一帧训练的pos
5.由新获得的pos通过[get_subwindow.m]得到patch
6.通过[get_features.m]对patch区域进行特征提取，得xf
7.通过[gaussian_correlation.m]进行核相关（高斯核）操作由xf得到kf
8.岭回归计算分类器参数alphaf
9.更新下次检测的alphaf和xf
10.将本次训练的pos保存为下一帧的检测用到的pos
【注：第n帧的训练与第n+1帧的检测，使用同一patch】
特别提醒
本文对参考文献1中的KCF version 2的[tracker.m]进行了详细的说明，[run_tracker.m]负责设置参数，加载视频信息和计算精度。
参考文献及网址
1.http://www.robots.ox.ac.uk/~joao/circulant/index.html
2.https://blog.csdn.net/sinat_27318881/article/details/52873376
3. https://blog.csdn.net/crazyice521/article/details/53525366
4.https://blog.csdn.net/weixin_39467358/article/details/83304082
5.https://blog.csdn.net/weixin_40799815/article/details/82389858
