La imagen térmica infrarroja (IR) puede detectar la temperatura cálida del cuerpo humano independientemente de las condiciones de luz, por lo que pequeños drones equipados con cámaras térmicas IR pueden ser utilizados para reconocer la actividad humana para vigilancia inteligente, seguridad vial y misiones de búsqueda y rescate. Sin embargo, el movimiento impredecible del dron plantea más desafíos que una cámara fija. Este documento aborda la detección y el seguimiento de personas a través de video térmico IR capturado por un multirrotor. Para la detección de objetos, cada cuadro se registra primero con un cuadro de referencia para compensar sus coordenadas. Luego, los objetos en cada cuadro se segmentan mediante agrupamiento k-means y operaciones morfológicas. Los objetos detectados erróneamente se eliminan considerando el tamaño y la forma reales del objeto. El centroide del área segmentada se considera la posición medida para el seguimiento del objetivo. La pista se inicializa con una inicialización de diferencia de dos puntos, y los estados del objetivo se estiman continuamente mediante el filtro de múltiples modelos interactuantes (IMM). La regla de asociación del vecino más cercano asigna la medición a la pista. Las pistas que se mueven más lentamente que la velocidad mínima se terminan según los criterios propuestos. En los experimentos, se capturaron tres videos con una cámara de imagen térmica de banda IR de onda larga montada en un multirrotor. En el primer y segundo video, se capturaron ocho peatones en una acera y tres excursionistas en una montaña en noches de invierno, respectivamente. En el tercer video, se capturaron dos personas caminando con fondos complejos en un día ventoso de verano. Las características de la imagen varían entre videos dependiendo del clima y los objetos circundantes, pero el esquema propuesto muestra un rendimiento robusto en todos los casos; los errores cuadráticos medios en posición y velocidad son de 0.08 m y 0.53 m/s, respectivamente, para el primer video, 0.06 m y 0.58 m/s, respectivamente, para el segundo video, y 0.18 m y 1.84 m/s, respectivamente, para el tercer video. El método propuesto reduce las pistas falsas de 10 a 1 en el tercer video.