Korrelationsfilter (CF) basierte Verfolgungsalgorithmen sind derzeit aufgrund ihrer Leistungsfähigkeit an der Spitze der Ranglisten. Dennoch sind nur einige von ihnen, wie KCF~\cite{henriques15} und MKCF~\cite{tangm15}, in der Lage, die leistungsstarke Diskriminierbarkeit nichtlinearer Kerne zu nutzen. Obwohl MKCF durch die Einführung des Multi-Kernel-Learnings (MKL) in KCF eine stärkere Diskriminierbarkeit als KCF erreicht, ist sein Vorteil gegenüber KCF recht begrenzt und seine Rechenbelastung nimmt im Vergleich zu KCF erheblich zu. In dieser Arbeit führen wir das MKL auf eine andere Weise in den KCF ein als es bei MKCF der Fall ist. Wir reformulieren die Zielfunktion des CF-Modells mit seiner oberen Schranke, was die negative gegenseitige Beeinflussung verschiedener Kerne erheblich verringert. Unser neuer MKCF-Verfolgungsalgorithmus, MKCFup, übertrifft sowohl KCF als auch MKCF deutlich und kann trotzdem sehr hohe Bildwiederholraten (fps) erzielen. Ausführliche Experimente auf öffentlichen Datensätzen zeigen, dass unsere Methode für Zielobjekte mit geringer Bewegung bei sehr hoher Geschwindigkeit den aktuellen Stand der Technik übertreffen kann.