8.       classifier.trainF(ferns_data,2)

输入：

          已混合打乱的正负样本特征数据：ferns_data

输出：

        分类器模型：任何特征对应可信度(该图像块为正样本的概率)：posteriors

描述：

     统计P/N约束被使用的次数，来计算一个特征的可信度

更多详情见《集成分类器》      

9.       classifier.trainNN(nn_data)

输入：

     已混合打乱的正负样本模板数据：nn_data

输出：

     筛选出的模板：pEx、nEx

描述：

     通过计算自相关系数NCC筛选模板

更多详情见《最近邻分类器》

10.       classifier.evaluateTh(nXT,nExT)

输入：

         负样本随机蕨测试集：nXT

         负样本模板测试集：nExT

   输出：

            更新后的随机蕨阈值：thr_fern

            更新后的模板NCC阈值：thr_nn

            更新后的有效性判断(P/N学习)阈值：thr_nn_valid

   描述：

             对所有负样本随机蕨测试集，计算其随机蕨可信度，若最大值大于预设阈值

             thr_fern，则用该最大值替换更新；对所有负样本模板测试集，计算其NCC系数，

      若最大值大于预设阈值thr_nn，则用该最大值替换更新；若最后更新得到的thr_nn

大于预设thr_nn_valid，则替换更新thr_nn_valid。

注：若存在说法看不明白的，请留言询问！

      至此，TLD初始化模块介绍完毕！对整个模块的梳理，见《TLD初始化模块实现流程》