1. 本选题研究的目的及意义

近年来，随着深度学习技术的快速发展，目标检测技术取得了显著的进展，并在自动驾驶、视频监控、机器人视觉等领域得到广泛应用。

视频物体识别作为目标检测技术的一个重要分支，旨在对视频序列中的物体进行识别和定位，具有重要的研究意义和应用价值。

本选题的研究意义主要体现在以下几个方面：
1.推动人工智能技术发展:视频物体识别是计算机视觉领域的核心任务之一，对推动人工智能技术的发展具有重要意义。

2. 本选题国内外研究状况综述

目标检测和识别是计算机视觉领域的基本问题之一，多年来一直受到研究者的广泛关注。

传统的目标检测方法主要基于手工设计的特征和分类器，例如方向梯度直方图（hog）、可变形部件模型（dpm）等。

近年来，随着深度学习技术的兴起，基于深度学习的目标检测方法取得了突破性进展，其中卷积神经网络（cnn）成为主流方法。

3. 本选题研究的主要内容及写作提纲

1. 主要内容

1.研究目标检测算法ssd的原理：深入研究ssd算法的网络结构、多尺度特征图、默认框机制、损失函数等关键概念，分析其在目标检测任务中的优势和不足，为后续改进算法奠定基础。

2.研究视频物体识别的特点和难点:与静态图像相比，视频数据具有时间维度信息，物体运动状态多变，背景更加复杂，因此视频物体识别更具挑战性。

4. 研究的方法与步骤

本课题将采用理论研究和实验研究相结合的方法，首先对目标检测算法ssd和视频物体识别的相关理论进行深入研究，分析其原理和优缺点。

然后，针对ssd算法在视频物体识别任务中的不足，设计并实现改进的算法，并构建视频物体识别系统。

最后，在公开数据集上进行实验，对改进后的算法进行评估，并与其他主流目标检测算法进行比较，验证算法的有效性。

5. 研究的创新点

本课题的创新点在于：
1.针对视频物体识别的特点，对ssd算法进行改进:针对ssd算法在处理视频数据时存在的不足，例如未考虑时间维度信息、对运动物体识别效果不佳等问题，提出针对性的改进策略，例如多尺度特征融合、运动信息利用、注意力机制等，以提高算法的识别精度和速度。

2.构建完整的视频物体识别系统:不仅研究算法层面的改进，还将基于改进的ssd算法构建完整的视频物体识别系统，实现对视频数据中的物体进行实时识别和定位，并进行系统测试和优化，具有一定的实用价值。

3.进行充分的实验验证:将在公开数据集上进行充分的实验，对改进后的算法进行评估，并与其他主流目标检测算法进行比较，验证算法的有效性。

6. 计划与进度安排

第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。

第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲

第三阶段（2024.2~2024.3）查询资料，学习相关论文

7. 参考文献（20个中文5个英文）

[1] 赵永强,徐华,张凯龙,等.基于改进ssd的视频多目标跟踪算法[j].计算机应用,2021,41(12):3511-3518.

[2] 张涛,张洪刚,李玉.融合注意力机制和特征融合的ssd目标检测算法[j].控制与决策,2021,36(01):183-190.

[3] 张明,李俊,刘明.融合多尺度特征与注意力机制的ssd目标检测算法[j].计算机工程与应用,2021,57(15):141-147.