低秩矩阵完备_背景建模——低秩性与稀疏性

       

稳健PCA用于背景建模，可以同时完成背景和前景分离，实现背景建模和前景运动目标提取。

稳健PCA用于实现从原始观测数据中恢复低秩成分和稀疏成分。

介绍几个从知乎上找到的关于“低秩”的理解：

举个例子，大家排队买票，如果互相不认识，那就会一个排一个，非常有秩序。然而，如果突然来了一个与队伍前面的人认识的人，这个人又不自觉，非要插队。那后面的人肯定要有意见了，说你要是这样我前面还有认识的人呢，你插我也插，这样整个队伍就乱掉了，谁也买不成。

通过这个例子，可得以下结论：

彼此不认识，那就不相关，就有秩序；

反之，彼此相关，就没有秩序。

所以，数学家们定义，矩阵中的最大的不相关向量的个数，就叫秩，可以理解为有秩序的程度。

在图像处理中，rank(秩)可以理解为图像所包含的信息的丰富程度࿰