随着人工智能技术不断发展,各种新型智能设备不断出现,以方便新奇的用户体验受到广泛关注。将先进的计算机视觉技术应用于监控系统中,能够显著提升监控系统的功能并有效降低工作量。基于此,本文针对监控场景下的人脸检测问题进行了相关研究,设计实现了一个应用于监控场景的快速人脸检测系统。监控场景是一个典型的非约束场景,视频画面中的背景内容多变且复杂,人脸角度、表情不确定,光照条件不稳定,人脸图像尺寸相对较小,而且在视频中进行人脸检测,对算法的检测速度也有一定的要求。为了实现在非约束监控场景下的人脸快速检测功能,本文在现有算法的基础之上,做出针对性的改进,对监控场景下不同光照条件和一定角度范围内变化的人脸实现快速且准确的检测。首先,本文提出了多尺度联合归一化像素差异特征(Normalized Pixel Difference,NPD)。该特征保留了 NPD特征计算复杂度低、求解速度快的优点,而且通过多尺度变化,降低人脸细节变化对检测效果的影响,更好地完成在非约束监控场景下人脸检测功能。其次,本文设计实现了一种基于Faster RCNN目标检测框架的人脸检测神经网络,提升了原Faster RCNN神经网络的检测速度,验证了基于深度神经网络的人脸检测算法在视频中的应用效果。同时,为了加快系统的处理速度,本文设计并实现了在多线程环境下的人脸检测系统框架,通过对单张图片的图像金字塔进行并行检测,提升现有算法的检测速度。此外,为训练多尺度NPD特征的人脸模型和基于卷积神经网络的人脸检测神经网络,本文通过对若干个公开数据集进行整理、裁剪等,构建了包含17万张非约束场景下的人脸图片的人脸正样本数据集和包含11404张无人脸的负样本大图数据集。本文使用该数据数据集训练了基于多尺度联合NPD特征的人脸模型,在公开数据集FDDB上进行测试,取得了较好的检测效果。