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。
检测器
TLD技术设计了一个快速、可靠的检测器，它为跟踪器提供了必要的支持。当跟踪器所得的结果失效时，需要用检测器的结果来补充纠正，并且对跟踪器重新初始化。具体做法如下。
·对于每帧同时运行跟踪器、检测器，跟踪器预测出一个目标位置信息，而检测器则可能检出多幅图像；
·决定目标的最终位置时，优先考虑跟踪器所得的结果，即如果跟踪到的图像与最初的目标图像相似度大于某阈值，就接受该跟踪结果；否则，将从检测器的结果中，选用与最初目标相似度最大的图像作为跟踪结果；
·如果为第二步骤中的后者，那么此时更新跟踪器的最初目标模型，用现选用的跟踪结果替换原有的目标模型，同时，删除以前模型中的样本，以新样本重新开始。
检测器是由在线模型中的样本经训练学习生成的随机森林分类器。其选取的特征为区域的边缘方向，称之为2bitBP特征，它具有不受光线干扰的特性。特征通过量化，共有4种可能的编码。对于给定的区域，其特征编码是唯一的。多尺度的特征计算可以采用积分图像的方法。
将每一个图形块都用众多的2bitBP特征来表示，并把这些特征分成同大小的不同的组，每一组代表了图像块外观的不同表示。用于检测的分类器采用随机森林的形式。随机森林由树组成，而每棵树是由一个特征组构造而成。树的每个特征都作为一个决策结点。
随机森林通过增长事件和修剪事件完成在线更新和演化。开始时，每棵树由最初目标模板的特征组构建，都只有一个"枝".随着增长事件对正样本的选取，随机森林也不断加入新的"枝";修剪事件则相反，它会去掉随机森林中不用的"枝".这种实时的检测器采用扫描窗口的策略：按照位置和尺度扫描输入帧，对每个子窗口应用分类器判断是否属于目标图像。
TLD技术巧妙地把跟踪器、检测器和学习过程结合在一起，共同实现目标的跟踪。
