التعقب قصير المدى هو مشكلة مفتوحة وصعبة، حيث أظهرت مرشحات الارتباط التمييزية (DCF) أداءً ممتازًا فيها. نقدم مفهومي القنوات والموثوقية المكانية إلى التعقب باستخدام DCF ونقدم خوارزمية تعلم جديدة لدمجها بكفاءة وبسلاسة في تحديث المرشح وعملية التعقب. يضبط الخريطة المكانية للموثوقية دعم المرشح إلى الجزء المناسب من الكائن للتعقب. هذا يسمح بتوسيع منطقة البحث وتحسين تعقب الأشياء غير المستطيلة. تعكس درجات الموثوقية جودة المرشحات المُتعلمة حسب القناة وتُستخدم كمعاملات ترجيح للخصائص في تحديد الموقع. تجريبيًا، باستخدام ميزتين قياسيتين بسيطتين فقط، وهما HoGs (موجهات الدرجات التاريخية) و Colornames (أسماء الألوان)، تحقق طريقة CSR-DCF الجديدة -- DCF مع موثوقية القنوات والمساحة -- نتائجًا رائدة على VOT 2016، VOT 2015 و OTB100. يعمل CSR-DCF في الوقت الفعلي على المعالج (CPU).