TLD（Tracking-Learning-Detection）是 Zdenek Kalal 等人于 2009 至2012 年期间提出的单目标、长时间图像跟踪算法。与传统的单一跟踪算法相比，TLD 跟踪算法融合了跟踪器、检测器和学习模块三个部分，既能够对连续运动目标进行跟踪，又能够对遮挡再现目标重新检测跟踪，抗遮挡性能优越。在整个跟踪过程中，学习模块对检测器进行实时更新，既能保持检测器的先进性，又能保证模板不发生漂移，是一种具有完善结构的图像跟踪算法。

TLD 算法主要由检测模块、跟踪模块、学习模块和整合器构成。检测模块采用级联分类器的形式进行检测，首先，对再现目标进行方差过滤，滤除环境中方差比较小的图像块，比如环境中天空背景、墙壁等；其次，对剩余的图像块进行随机蕨分类，随机蕨分类器采用半监督学习的方式进行训练跟踪，随时使用最先进的分类参数进行分类；最后，对剩余的一小部分图像块进行最近邻分类，选择与目标模型中相似度最大的图像块，作为最终的检测结果。跟踪模块采用中值光流法，先在跟踪框中随机均匀撒点，然后对特征点进行光流场估计，跟踪获得下一帧中特征点的位置，然后判断前向-后向误差，根据此误差判断跟踪是否失败。学习模块包括目标模型和对检测器、目标模型更新的法则。学习模块根据 P-N 约束来进行正负模板的更新，将最近邻分类器分类错误的图像块添加至正负模板集中。此正负模板作为目标模型的构成，在检测器进行最近邻分类时作为分类依据。同时，学习模块还不断更新随机蕨检测器的后验概率值，保持了随机蕨能够实时适应跟踪目标和环境的变化。