Les traceurs basés sur les filtres de corrélation (CF) sont actuellement classés en tête en termes de performance. Cependant, seuls certains d'entre eux, tels que KCF~\cite{henriques15} et MKCF~\cite{tangm15}, sont capables d'exploiter la puissante capacité discriminatoire des noyaux non-linéaires. Bien que MKCF atteigne une meilleure capacité discriminatoire que KCF en introduisant l'apprentissage multi-noyau (MKL) dans KCF, son amélioration par rapport à KCF est assez limitée et sa charge de calcul augmente considérablement par rapport à KCF. Dans cet article, nous introduirons le MKL dans KCF d'une manière différente de celle utilisée par MKCF. Nous reformulons la fonction objectif du filtre de corrélation (CF) avec sa borne supérieure, réduisant considérablement l'interférence négative mutuelle entre les différents noyaux. Notre nouveau traceur MKCF, appelé MKCFup, surpass largement KCF et MKCF et peut toujours fonctionner à très haute vitesse (fps). De nombreuses expériences menées sur des jeux de données publics montrent que notre méthode est supérieure aux algorithmes de pointe pour le suivi d'objets cibles effectuant des mouvements rapides mais limités en amplitude.