![d52ea6dcfb4da273518f2c9b3f288c89.gif](https://i-blog.csdnimg.cn/blog_migrate/4a547a6a466837fb56dfd1a0f6004c0a.gif)
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。
![6d7d688c8542d3aa5faf6b2ce43f7cea.gif](https://i-blog.csdnimg.cn/blog_migrate/18b05bb1779bbe2b97850284679da570.gif)
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