F范数(Frobenius范数)： 。
2.2  奇异值分解(Singular Value Decomposition,SVD)
2.2.1  奇异值分解
假设矩阵A是一个 的矩阵，并且rank(A)=r，U是 的矩阵，U的列是AAT的正交特征向量，V是 矩阵，V的列是ATA的正交特征向量，则存在以下奇异值分解：
 
其中AAT和ATA的特征值相同，都是 ，
 为 的对角矩阵,其中 ，其余位置为零，并且 ，记 ， 即为矩阵A的奇异值。 RPCA模型基于低秩表示的运动目标检测算法(4):http://www.751com.cn/jisuanji/lunwen_21741.html