近来，基于相关滤波器的跟踪器在准确性和鲁棒性方面均取得了竞争优势。 为了有效地学习分类器，这些方法利用了训练样本的周期性假设。对傅里叶域中的密集采样的处理进行建模。 然而，周期性假设引入了有害的边界效应，这严重降低了跟踪模型的性能。为了降低边界效应，我们提出了一种多尺度ℓ1正则相关滤波器跟踪器（MSL1CFT），它利用不同的正则化参数来在学习过程中惩罚每个相关滤波器系数。 我们的方法可以在大量的负训练样本上学习相关滤波器模型，而不会恶化正样本。 我们进一步为我们的模型提供了一种快速求解器，它使用