Para resolver el problema del número redundante de muestras de entrenamiento en un algoritmo de seguimiento basado en filtros de correlación, las muestras de entrenamiento se extendieron implícitamente mediante desplazamientos circulares de los parches de objetivo dados, y todas las muestras extendidas se utilizaron como muestras negativas para el aprendizaje rápido en línea del filtro. Dado que todos estos parches desplazados no eran verdaderas muestras negativas del objetivo, el proceso de seguimiento sufrió efectos de borde, especialmente en situaciones desafiantes como la oclusión y el desorden de fondo, lo que puede afectar significativamente el rendimiento de seguimiento del rastreador. La regularización espacial en el algoritmo de seguimiento SRDCF es una forma efectiva de mitigar los efectos de borde, pero esto tiene el costo de una complejidad temporal muy aumentada, lo que resulta en una velocidad de seguimiento muy lenta del algoritmo SRDCF que no puede lograr un efecto de seguimiento en tiempo real. Para abordar este problema, propusimos un algoritmo de seguimiento rápido basado en filtros de correlación regularizados espacialmente que optimizó de manera eficiente los filtros resueltos al reemplazar el método de Gauss-Seidel en el algoritmo SRDCF por el método de multiplicadores de dirección alternante. Se mejoró el problema de la baja velocidad en el algoritmo de seguimiento SRDCF, y el algoritmo FSRCF mejorado logró un seguimiento en tiempo real. Se propuso un mecanismo de actualización adaptativa utilizando la retroalimentación de los resultados de seguimiento de alta confianza para evitar la corrupción del modelo. Es decir, se introdujo un criterio de evaluación de confianza robusto en la fase de actualización del modelo, que combinó el criterio de respuesta máxima y el criterio de energía de correlación pico promedio (APCE) para determinar si se debía actualizar el filtro, evitando así el desplazamiento del modelo del filtro y mejorando la precisión y velocidad del seguimiento del objetivo. Realizamos extensos experimentos en los conjuntos de datos OTB-2015, OTB-2013, UAV123 y TC128, y los resultados experimentales muestran que el algoritmo propuesto exhibe un rendimiento de seguimiento más estable y preciso en presencia de oclusión y desorden de fondo durante el seguimiento.