低秩表示方法是将观测数据分解为低秩块与稀疏块和的形式的一种手段,由于该方法对噪声具有较好的鲁棒性而受到广大学者的关注。目前,低秩表示方法已经比较多地用于人脸识别,目标检测等领域,且取得了较好的效果,此外,近年来也有一些学者试图将其应用于目标跟踪问题,取得了一定的成果。低秩表示方法有些类似“万金油”,然而具体问题仍需具体分析,若一个大问题的解决方案中只有低秩表示显然还不够,经常采用其他理论与之相联合,以使得整个算法的性能最优。1、相关理论分析。首先对低秩表示理论进行分析和论述;然后再对运动目标跟踪算法中所应用的粒子滤波相关理论进行阐述与分析。2、基于低秩表示动态更新投影的在线运动目标检测。在研究几种典型运动目标检测算法的基础上,本文提出了一种基于低秩表示动态更新投影的在线运动目标检测算法。采用低秩表示方法对若干连续视频帧进行低秩分解,并将分解所获得的低秩部分对应的左奇异值矩阵的正交补引为投影矩阵;再构建投影模型,拟合出数据的稀疏前景;最后采用视频分段分析法则对投影矩阵进行动态更新,从而保证所分离的背景以及前景的有效性。对比实验结果证实了所提算法具有很好的检测效果,对复杂的运动前景和动态背景的处理表现了很强的鲁棒性。3、基于加权低秩表示的单目标跟踪。粒子滤波理论框架下,本文提出一种基于加权低秩表示的单目标跟踪算法,该算法将目标跟踪问题转化为低秩表示模型,并采用加权低秩表示方法对模型进行求解,从而获取每个粒子数据在模板字典上对应的低秩表示系数,其中,模板的选取采用目标模板与背景模板的组合形式,那么,对于每一个粒子,它在目标模板上对应的系数和与在背景模板上对应的系数和的差值越大则说明该粒子为目标的可能性越大。此外,对于模板的更新,采用将跟踪结果与目标模板进行相似性度量的方式,当跟踪目标与目标模板的相似度小于相似度阈值时,对模板进行更新,否则模板不更新。实验结果证明本文算法具有较好的目标跟踪效果,对目标尺度变化,环境光照变化,遮挡,目标姿势变化等多个因子的影响都表现出了较强的鲁棒性。