1. 研究目的与意义
选题理由：
本人能熟练使用Python等语言；基于目前市场对于视频识别领域需求极大，旨在通过本次毕，锻炼自己对于深度学习、建立映射模型、使用RNCC进行视频运动目标检测以实现视频运动目标定位、电子地图制图综合等能力；并锻炼自己能将之综合运用
研究意义：
2. 研究内容和预期目标
视频监控的起源：
视频监控是安全防范的重要组成部分，监控的第一要务是用最短时间从被监控的地方获取尽可能多的信息反馈。在图像摄影技术产生百年后，直到20世纪７０年代真正发展出的视频监控，开始利用摄像头来获取信息。20世纪末以来，随着计算机视觉的发展，视频监控系统以其直观方便、信息全面、内容丰富的特点广泛应用于安防领域，作为协助公共安全部门维护社会和谐稳定、打击违法行为的重要手段，是安防系统的重要组成部分。近年来，随着计算机在处理能力和处理速度方面的迅速提高，多种视频图像处理技术的出现与发展，网络的全面普及和网络传输速度的显著提升，使得视频监控技术也有了长足的进步和发展，视频监控系统全面迈进了全数字化、网络化、智能化的时代，日益受到各方面的关注和重视。
3. 国内外研究现状
深度强化学习是近年来人工智能领域内最受关注的研究方向之一，并已在游戏和机器人控制等领域取得了很多瞩目的成果，其中值得关注的典型案例包括DeepMind攻破雅达利（Atari）游戏的深度Q网络（Deep Q-Network，DQN），在围棋中获得突破性进展的AlphaGo和AlphaGo Zero，以及在Dota 2对战人类职业玩家的OpenAI Five。深度强化学习是深层神经网络的一种形式，将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的对象实施控制，是一种更接近人类思维方式的人工智能方法。强化学习领域主要两大问题：一是如何有效的与环境交互（如探索与利用、样本效率等），二是如何有效地从经历中学习（例如长期信用分配、稀疏奖励信号等）。深度强化学习是开发业务应用程序中的通用技术之一，对于训练模型，它所需要的数据更少；而且其中另一个优点在于可以通过模拟来训练模型，这完全消除了传统深度学习技术对标记数据的严重依赖。
2018年深度强化学习最引人注目的是DeepMind在2018年12月《科学（Science）》公开发表了AlphaZero完整论文，并登上其期刊封面，AlphaZero是AlphaGo和AlphaGo Zero的进化版本，依靠基于深度神经网络的通用强化学习算法和通用树搜索算法，已经学会了三种不同的复杂棋类游戏，并且可能学会任何一种完美信息博弈的游戏：在国际象棋中，AlphaZero训练4小时超越了世界冠军程序Stockfish；在日本将棋中，AlphaZero训练2小时超越了世界冠军程序Elmo；在围棋中，AlphaZero训练30小时超越了与李世石对战的AlphaGo。《科学》期刊评价称，“AlphaZero能够解决多个复杂问题的单一算法，是创建通用机器学习系统，解决实际问题的重要一步”。2018年，历时两年开发完成的Alpha家族另一成员AlphaFold也被公开，能根据基因序列来预测蛋白质的3D结构，并在有着“蛋白质结构预测奥运会”美誉的蛋白质结构预测的关键性评价（Critical Assessment of Protein Structure Prediction，CASP）比赛中夺冠，被誉为“证明人工智能研究驱动、加速科学进展重要里程碑”和“生物学的核心挑战之一上取得了重大进展”。AlphaFold使用两种不同的方法，来构建完整的蛋白质结构预测，这两种方法均依赖深度强化学习技术：第一种方法基于结构生物学中常用的技术，用新的蛋白质片段反复替换蛋白质结构的片段，他们训练了一个生成神经网络来发明新的片段，用来不断提高蛋白质结构的评分；第二种方法通过梯度下降法优化得分，可以进行微小的、增量的改进，从而得到高精度的结构。从2016年AlphaGo论文发表在《自然（Nature）》上，到今天AlphaZero登上《科学》，Alpha家族除了最新的AlphaFold之外，AlphaGo、AlphaGo Zero和AlphaZero已经全部刊登在顶级期刊《科学》和《自然》上。
4. 计划与进度安排
研究进度安排：
（1） 任务确定阶段: 确定研究目标，学习电子地图制图综合、深度学习等相关内容
5. 参考文献
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
