人脸检测技术作为计算机视觉领域的重要分支,目前被广泛应用于自主服务、公共安全等重要领域。而且随着大数据等前沿技术的进一步发展,基于神经网络的人脸检测算法性能得到了大幅提升。但是,由于神经网络输入节点和训练数据量过大的缘故也使得算法对于计算设备性能和运行环境的要求越来越高。然而在企业应用中,一方面出于成本控制的考虑往往使得软硬件实际配置无法达到运行环境要求。因此使得一些对计算资源需求较大的算法实际表现并不理想。另外,非限定条件下的人脸检测容易受到光照变化、遮挡、远距离等因素的干扰从而导致实际检测性能不佳。因此,严重阻碍了人脸检测技术的实用化进程。针对这种情况,本文立足于实际,根据企业特定应用需要,开展基于视频监控的人脸遮挡异常事件实时检测研究。其主要工作包括以下三个方面。(1)针对运动目标检测过程中存在的动态阴影干扰问题,提出了一种基于背景模型结合纹理特征的运动目标检测方法。由于动态阴影会随着运动目标本体的运动而运动,所以在实际检测过程中很容易被当作前景目标提取出来,从而造成虚假前景目标。为了规避动态阴影的干扰,本文在基于Code Book背景模型的运动目标检测算法的基础上,对图像纹理特征进行了深入研究。由此提出Code Book背景模型结合SILTP(Scale Invariant Local Ternary Patterns)纹理特征的运动目标检测算法。实验结果表明,改进后的方法不仅可以有效消除检测过程中存在的动态阴影,而且能够进一步提高Code Book背景模型对光照变化的鲁棒性。(2)针对HOG(Histogram of Oriented Gradient)特征提取过程中存在的固有缺陷提出了相应优化方案。与其它特征描述符相比,HOG特征虽然具有几何不变性和光学不变性等明显优点。但同时也伴有描述子生成过程冗长,提取速度慢、实时性差等固有缺陷。为了实现HOG特征的高效计算,本文分别就HOG特征提取过程中存在的两个重要阶段进行了优化。实验结果表明,在检测性能不出现明显波动的情况下,对于同等数量的检测窗口,优化后算法的处理速度是传统方法的5倍之多。(3)针对传统Adaboost(Adaptive boosting)算法训练时间过长的问题提出了Haar特征缩减策略和一种新的双阈值训练模式。虽然基于级联结构的Adaboost算法在检测精度与速度上均取得了令人满意的表现,但是对于分类器的训练却十分耗时。为了加快训练速度,本文着重研究了最优弱分类器的双阈值训练方法并对其作出了相应改进。实验结果表明,改进后的方法不仅在训练时间上有着明显改善而且在检测性能方面也与传统方法几乎保持一致。