KCF算法特點：
1、通過循環移位產生了大量的虛擬樣本；
2、利用循環矩陣可以在傅里葉域對角化的性質，大大減少了運算量，提高了運算速度；
3、核函數的運用，提高了分類器的性能；
4、採用HOG特徵，相對於灰度特徵和顏色特徵，準確度更高；
目標跟蹤算法分爲兩大類，一個生成法，一個判別法。KCF算法屬於判別法，採用嶺迴歸的方法建模，這裏不得不說一下嶺迴歸，嶺迴歸是在最小二乘法的基礎上改進的，是爲了解決最小二乘法中復共線性導致的方差較大的問題，嶺迴歸是在最小二乘法的基礎上增加了懲罰項λ，得到嶺迴歸的簡單閉式解如式②。由於大X是由小x循環移位得到的，所以大X爲循環矩陣，利用循環矩陣可轉化爲傅里葉域對角線形式（式⑦）的性質，在傅里葉域進行求解，避免了空間域矩陣求逆的過程，簡化了計算。考慮到非線性情況，KCF算法引入了核函數（對於線性不可分問題，我們可以將樣本映射到高維空間，在高維空間對樣本進行分類。這時引入了核函數，核函數的優點使我們不必知道映射函數的具體形式，也不用計算具體的映射值，只需要在原空間進行內積運算，避免了高維的複雜運算），採用核函數後，將對ω的求解轉化爲對α的求解，可得解式⑥，文中證明大K爲循環矩陣，利用循環矩陣的性質進一步化簡得到式⑧，也就是我們的最終要求的變量值。利用式⑧，就可以進行我們的樣本訓練了。
個人對KCF算法的理解，如有錯誤請指正！
推薦幾個比較好的文章：
1、KCF目標跟蹤方法分析與總結：
http://www.cnblogs.com/YiXiaoZhou/p/5925019.html
2、KCF論文閱讀筆記：
http://blog.csdn.net/u011285477/article/details/53861850
3、KCF目標跟蹤算法筆記：
http://blog.csdn.net/zengdong_1991/article/details/61429376