视频监控是现代安防、公共安全的必要技术手段。随着视频监控的快速全面普及,如何能够让人在短时间内集中精力,高效的浏览大量的视频内容,捕捉到关键的人脸信息,是视频监控的重点难点。浓缩视频中的人脸识别技术无疑是最佳的方案,该方案是对大量监控视频中的人脸进行浓缩处理和人脸检测,从而快速从视频监控文件中进行人脸识别的一种方式。在实际应用中,浓缩视频中人脸的浓缩效率,人脸识别效率以及准确性受复杂背景环境和其他客观条件因素的影响较大,针对这些问题,结合自己的实际,本文主要完成了如下研究工作:首先,提出在浓缩视频中,对运动目标（本文研究的运动目标主要是视频中的人）关键信息进行标注及在播放视频过程中显示标注信息的方法。该方法的主要目的是方便用户查看和定位。运动目标标注方法的过程主要大致分为三步,首先把一个浓缩视频帧中的所有运动目标的标注信息和该帧相对应的播放时间信息保存为标注信息包;然后将所有浓缩视频帧分装为媒体数据包,且浓缩视频帧的相对播放时间是该帧的媒体数据包和标注信息包之间的关联,以此实现同步处理;最后将浓缩视频帧的运动目标的标注信息和该帧数据组合封装写入浓缩视频文件中。经过这样的处理,不但提高了两者之间的关联,而且使标注信息可以方便的与视频信息一起保存与传送,实现浓缩视频播放过程中直接显示运动目标的标注信息的方式。其次,介绍一种LBP（Local Binary Pattern）多维度算法。基于关键点的多维度LBP提取方法,可以排除一些对人脸识别没有好处甚至干扰识别效果的没必要的区域特征。再次,介绍基于LBP算法的LBP子模式算法。如果以LBP算法直接对两幅人脸图像提取特征进行判别分析,这种方式就会因为两幅人脸图像的位置没有对准而产生较大误差。为了解决该问题,从而引入LBP子模式算法。最后,在前两种算法的基础上,提出一种基于多维度LBP子模式的人脸识别方法。该方法是结合上述两者算法的优点进行的改进。试验表明,虽然该算法提高了计算的复杂性,但是在人脸位置不正的情况,识别率得到较大提高。另外,经过实验数据测试表明,本文所提出的多维度LBP子模式算法对人脸表情和位置以及光照变化都具有较高的鲁棒性。经过市场调研和分析,浓缩视频中的运动目标标注方法和改进的LBP人脸识别算法在安防中有实际应用需求。本人选择了在浓缩视频的运动目标标注方法、播放方法以及多维度改进的LBP子模式算法等方面作较深入的研究课题。