在当今社会中，视频监控在很多场合得到了非常广泛的应用。但是传统的视频监控系统存在海量数据、被动监控、事后监控等众多不足之处，难以处理复杂的监控场景和行为。而智能视频监控可以对视频进行分析，获得视频中运动对象的信息，并做出及时反应，因此实时性、可靠性和准确性更高。运动目标检测是智能视频监控的核心技术，而视频中的人脸在很多场合都是人们关注的重点，因此，研究视频中运动目标检测与人脸检测技术对智能视频监控具有重要意义。　　 在查阅了国内外有关文献的基础上，论文概述了光流法、时域差分法、背景消减法三种运动目标检测方法，分析了不同运动目标检测方法的特点;对单高斯模型法和混合高斯模型法进行了介绍和比较，并对目标阴影的检测与消除做了介绍。同时，论文对人脸检测的基本方法进行了综述，阐述了人脸检测结果的评价标准，重点分析了AdaBoost人脸检测算法。　　 在PC平台上对静态图片的人脸检测进行了实验。通过实验可以看出基于AdaBoost的人脸检测算法如果直接应用于实时视频监控，在检测速度上难以达到实时要求，误检率也比较高。特别是对于应用在嵌入式监控平台的场合，由于硬件及软件条件的限制，其实时性能更差。由于实时视频中不是每一帧图像都有人脸存在，而且人体及其人脸经常在视频中只占很小一部分区域，如果对每帧图像直接进行人脸检测，检测效率会很低下且难以达到实时要求。基于以上因素，把运动目标检测和AdaBoost人脸检测算法结合起来，提出一种实时视频中基于局部扫描的快速人脸检测方法。先利用背景消减法对视频中的运动目标进行检测，标记出运动目标区域作为人脸检测候选区域，然后再运用AdaBoost算法对人脸检测候选区域进行人脸检测，返回检测后的结果。　　 为了在嵌入式视频监控平台进行人脸检测的测试，构建了一个基于ARM11处理器的嵌入式视频监控系统。该系统采用了三星S3C6410处理器、OmniVision公司的OV9650摄像头以及嵌入式Linux2.6.36操作系统，利用V4L2接口设计了视频采集与显示软件模块，实现了实时视频的采集。　　 最后，分别在PC平台和嵌入式监控平台进行了测试。实验结果表明，结合了运动目标检测和人脸检测的方法能有效提高基于视频的人脸检测的效率和实时性，同时降低了AdaBoost算法的误检率。