Die Verfolgung von Menschen in dicht besetzten Videosequenzen ist ein wichtiger Bestandteil des visuellen Szenenverstehens. Eine zunehmende Menschenmenge stellt die Sichtbarkeit der Individuen heraus und begrenzt die Skalierbarkeit bestehender Fußgänger-Verfolgungsalgorithmen bei höheren Dichten. Aus diesem Grund schlagen wir vor, das Kopfverfolgen mit dem Crowd of Heads Dataset (CroHD) zu revitalisieren. CroHD besteht aus 9 Sequenzen mit insgesamt 11.463 Bildern, in denen über 2.276.838 Köpfe und 5.230 Tracks in verschiedenen Szenarien annotiert sind. Für die Bewertung haben wir eine neue Metrik, IDEucl, vorgeschlagen, um die Leistungsfähigkeit eines Algorithmus zu messen, eine eindeutige Identität im Bildkoordinatenraum über den längstmöglichen Zeitraum aufrechtzuerhalten. Dies ermöglicht es, einen Zusammenhang zwischen der Bewegung von Fußgängermengen und der Leistungsfähigkeit eines Verfolgungsalgorithmus herzustellen. Darüber hinaus schlagen wir einen neuen Kopfdetektor, HeadHunter, vor, der speziell für die Erkennung kleiner Köpfe in dicht besetzten Szenen entwickelt wurde. Wir erweitern HeadHunter um einen Partikelfilter und ein farbhistogrammbasiertes Wiedererkennungsmodul für die Kopfverfolgung. Um dies als starke Baseline zu etablieren, vergleichen wir unseren Tracker mit aktuellen ersten Fußgänger-Verfolgungssystemen auf CroHD und zeigen seine Überlegenheit, insbesondere in Bezug auf Identitätsbewahrungsmetriken. Mit einem leistungsstarken Kopfdetektor und einem Tracker, der effizient bei der Identitätsbewahrung ist, glauben wir, dass unsere Beiträge nützlich für den Fortschritt der Fußgänger-Verfolgung in dichten Menschenmengen sein werden.