基于相关滤波器（CF）的跟踪器在性能方面目前处于领先地位。然而，只有少数几种跟踪器，如KCF~\cite{henriques15}和MKCF~\cite{tangm15}，能够利用非线性核的强大判别能力。尽管MKCF通过将多核学习（MKL）引入KCF实现了比KCF更强的判别能力，但其相对于KCF的改进相当有限，且计算负担显著增加。本文中，我们将以不同于MKCF的方式将MKL引入KCF。我们通过其上界重新定义了CF目标函数的MKL版本，显著减轻了不同核之间的负相互干扰。我们的新型MKCF跟踪器——MKCFup，在性能上大幅超越了KCF和MKCF，并且仍然能够以非常高的帧率运行。在公开数据集上的大量实验表明，对于高速移动的小目标物体，我们的方法优于现有的最先进算法。