در این پایان نامه از یادگیری تقویتی برای پیدا کردن یک سیاست مناسب جهت رفع مشکل موجود در بازی های امروزی که سطح سختی نامتناسب و عدم تطبیق پذیری بازی، با قابلیت های بازیکنان می باشد استفاده کرده-ایم. عامل یادگیرنده بازی که از روش یادگیری تطبیقی dyna بهره می برد با بکار بردن تابع عمل-ارزش و دریافت پاداش، شروع به درک محیط اطراف خود می کند و در ادامه، مبحث انتخاب و سازماندهی ویژگی ها، اعمال و پاداش (که در همه بازی ها وجود دارد) در ترکیب با متد یادگیری مطرح می گردد. عامل یادگیرنده، شروع به آموزش دیدن در مقابل عامل هوشمند دشمن (الگوریتم های برپایه قانون ) می کند و در بخش نتایج نشان خواهیم داد که عامل یادگیرنده برای انتخاب سیاست در بازی، می تواند به نسبت برخی روش های موجود عملکرد بهینه تری را از خود نشان دهد. دو آزمایش مختلف برای اثبات بهینه بودن روش مطرح شده در این پایان نامه طراحی گردیده است. در آزمایش اول موضوع کارایی عامل یادگیرنده مد نظر است که نشان دهنده توانایی الگوریتم ارائه شده در اجرای بازی بصورت موفق می باشد. آزمایش دوم نیز مقایسه ای بین روش ارائه شده در این پایان نامه و یکی دیگر از روش های رایج در بازی ها، در مواجهه با وضعیت های جدید انجام خواهد داد.

هدف از این پایان نامه، تعیین هویت افراد در تصاویر ویدیویی درگاه های ورودی تحت شرایط واقعی است. به این منظور در این پایان نامه، روشی بلادرنگ و مقاوم در برابر شدت روشنایی های متفاوت، حالات مختلف چهره، تغییرات زاویه دید و مقیاس، پوشش بخشی از چهره و کیفیت نامناسب تصاویر ارائه شده است. در ابتدا تصاویر ویدیویی از یک دوربین دریافت می شوند و با استفاده از الگوهای باینری محلی و طبقه بند آبشاری مبتنی بر آدابوست نامتقارن، چهره های موجود در هر فریم استخراج می شوند. در حین عمل استخراج، تصاویر چهره هر فرد تفکیک و مناسب ترین چهره هر فرد در هر چند فریم یک بار انتخاب و به مرحله شناسایی ارسال می گردد. در مرحله شناسایی با استفاده از توصیفگر sift استخراج ویژگی از نواحی مهم چهره مانند چشم ها، بینی و دهان انجام می شود و ابعاد این ویژگی ها کاهش می یابند. در نهایت به کمک ویژگی های بدست آمده، عمل تطبیق تصویر ورودی با تصاویر موجود در گالری انجام شده و هویت فرد مشخص می گردد.