论文 ：
该文章的主要思想是将传统手工特征换成了 vgg的特征
但是由于特征层的分辨率不同，故通过插值将每层特征转到 【0，T) 空间，公式如下
其中 xd是d层特征，Nd为每层的特征行列数，bd为事先计算的权重，插值可以将特征点精确到亚像素级别
随后将各个特征图和滤波器进行卷起操作，类似于svm求解相应的方式。公式如下：
sf 为 样本x的相应值。然后在该相应图中寻找minMaxLoc，得到最后的置信度。
滤波器的求解方式如下：
其中yi为label ，具体没注意，不过参考kcf的话，可以是gauss分布
aj是训练样本的权重
由于本人数学较差，看不懂部分的公式推导，在文章中，E（f）最小化可以等价于器相对每格滤波器
f的傅里叶系数的最小化。最后又等价于最小平方问题
该公式的最小值可以通过求解一下正规方程获得：
跟踪框架：
1. 提取样本，以中心点扩大区域，设置样本权重 aj = a（j-1）/(1-λ） λ = 0.0075 权重归一化，
最多存储 m个样本。 迭代时更换权重最小的样本来更新
文章使用5个尺度，比例因子1.02,通过如上的5次计算，获得最佳尺度。
因篇幅问题不能全部显示，请点此查看更多更全内容