与起始待跟踪目标图像相似的图像块，均被加入到在线模型;

　　如果当前帧的跟踪目标图像与前一帧的相似，则将当前的跟踪结果图像加入到在线模型;

　　TLD智能检测技术分析

　　计算跟踪轨迹上的目标图像到在线模型间的距离，选择具有特定模式的目标图像，即起初目标图像与在线模型的距离较小，随之距离逐渐增大，而后距离又恢复成较小状态。循环检验是否存在这种模式，并将该模式内的目标图像加入到在线模型。

　　增长事件的特征选择方式，保证了在线模型始终紧随跟踪目标的最新状态，避免因模型更新不实时所导致的跟踪丢失。其中最后一种选择策略也是TLD技术的特色之一，它体现了自适应跟踪的特性。当跟踪发生漂移时，跟踪器会自动适应背景，而不会很突然地转移到跟踪目标上。

　　修剪事件假设每帧只有一个目标，当跟踪器和检测器都认可目标位置时，剩余的检测图像就被认为是错误样本，从在线模型中删除。

　　在线模型中的样本为TLD的学习过程提供了素材。另外，TLD在训练生成分类器(随机森林)的过程中，采用了两种约束：P约束和N约束。P约束规定与跟踪轨迹上的目标图像距离近的图像块为正样本;反之，为负样本，即为N约束。PN约束降低了分类器的错误率，在一定的范围内，其错误率趋近于零。