在视频流中跟踪指定的目标是自动化图像识别中的一项重要任务，例如行为分析，自然人机互动和自动导航等等。现实情况中长时间跟踪会由于一些因素，比如光线变化，位置变化，遮挡，目标的形态变化，类似物体的干扰等而导致跟踪困难。早期的跟踪算法在整个视频中采用固定的目标模板，根据模板匹配原则确定后续帧中目标的位置。这种方法的缺点是随着目标形态的变化，目标特征会与第一帧中提取出的模板特征有很大不同，导致匹配错误，进而出现跟踪失败。粒子滤波即根据模板匹配来确定粒子权重，它同时采用了模板更新的方法，但如果环境突然变动，仍会跟踪失效。且因为粒子数量有限，一旦失效后很难再重新定位目标，而整帧都取粒子则会有很大的计算开销，导致不能实时跟踪。最近提出的粒子滤波与检测器结合的算法因检测器是在粒子滤波预测的位置上进行检测，如果目标不在预测的位置上，丢失目标后仍然不能重新定位。本文针对粒子滤波跟踪算法在丢失目标后难以恢复的不足，借鉴了粒子滤波与检测器结合的思想，提出将粒子滤波与检测器结合，但要改变检测器的搜索策略。因此文中将粒子滤波算法与TLD算法中的全局检测器结合，针对结合检测器以后出现的问题，本文主要做了以下几点工作：1.原始的粒子滤波算法使用HSV颜色模型，而检测器中使用的是灰度图像特征，为了将它们结合，考虑了最近效果较好的几种灰度图像特征，比较并分析它们在粒子滤波中的效果。最终选取了灰度直方图作为特征。2.在使用了原有的粒子滤波算法流程时效果并不理想，经发现是粒子权重的计算公式并不适合现有跟踪方法，因此改变了粒子权重计算公式。3.在结合了粒子滤波与检测器之后，仍使用TLD算法中的输出选择策略时检测器难以发挥作用，经分析得出粒子滤波没有自我判别标准，导致跟踪失效时仍具有较高置信度的输出。因此本文为粒子滤波添加一个自我判别标准，为粒子滤波单独设置一个阈值，当粒子滤波输出置信度低于这个阈值时，认为跟踪失效，将其输出丢弃，而直接采用检测器输出作为最终输出。4.讨论了粒子滤波中的模板更新问题，尽管模板更新策略在原始的粒子滤波中起了改善效果的作用，但是本文在经过分析之后采取固定的模板，以平衡粒子滤波与检测器，从而达到更好的效果。仿真实验中采用中心位置误差（CLE）作为测试比较准则，与灰度下有模板更新的粒子滤波算法，以及基于分块模板匹配的frag算法进行对比，发现跟踪失败后，粒子滤波的中心位置误差持续增长，而本文提出的方法因为可以重新定位目标，中心位置误差在一段时间后会下降，且显著优于frag算法。因此总结出本文提出的结合在线学习检测的粒子滤波行人跟踪算法在跟踪失败后能重新定位目标，效果优于粒子滤波算法。