In diesem Artikel behandeln wir das Problem des modellfreien Online-Objektverfolgung basierend auf Farbrepräsentationen. Laut den Ergebnissen jüngster Benchmark-Evaluierungen neigen solche Verfolgungsalgorithmen oft dazu, sich in Bereiche zu verirren, die einer ähnlichen Erscheinung wie das zu verfolgende Objekt ähneln. Um diese Einschränkung zu überwinden, schlagen wir ein effizientes diskriminatives Objektmodell vor, das es uns ermöglicht, potenziell störende Regionen im Voraus zu identifizieren. Darüber hinaus nutzen wir dieses Wissen, um die Objektrepräsentation im Voraus anzupassen, sodass Störungen unterdrückt und das Risiko einer Verdriftung erheblich reduziert wird. Wir evaluieren unseren Ansatz anhand aktueller Online-Verfolgungs-Benchmark-Datensätze und zeigen dabei Ergebnisse auf State-of-the-Art-Niveau. Insbesondere erzielt unser Ansatz sowohl hinsichtlich Genauigkeit als auch Robustheit gegenüber jüngeren Verfolgungsalgorithmen überzeugende Leistungen. Zudem ermöglicht der vorgeschlagene Ansatz eine effiziente Implementierung, die eine Echtzeit-Objektverfolgung in Echtzeit erlaubt.