人脸检测与跟踪技术是计算机视觉与模式识别领域的一个重要研究课题，在人脸识别、表情识别、视频监控、人机交互、医疗诊断等诸多领域有着广阔的应用前景。就视频监控领域而言，人脸检测与跟踪的研究大大提高了视频监控系统的智能化，使得系统能够在不需要人为干预的情况下锁定目标，实现对监控场景中的目标检测与跟踪，在此基础上还可以实现一些后续操作，如运动轨迹分析、目标识别、报警等。本文旨在构建一个面向人脸对象的视频监控系统，在分析和讨论了近年来国内外关于人脸检测与人脸跟踪的学术论文和研究报告的基础上，以摄像机固定条件下拍摄的视频序列为研究对象，深入研究了视频监控中人脸检测与跟踪的方法。论文的主要研究成果概括如下：(1)针对视频图像序列的噪声问题，采用均值滤波算法、“参考白”算法对图像进行平滑处理和光照补偿，消除了图像中的噪声和光照的干扰。采用均值法分离出视频背景，利用背景减除法提取出包含人脸的运动前景区域，去除了视频中冗余的背景信息，提高了后续人脸检测的速度。(2)分析比较了在相同方法下不同色彩空间和肤色模型的优缺点，提出了一种基于改进YCbCr模型的阈值肤色分割方法，将YCbCr色彩空间中的Cb分量用更适合描述肤色的Cg分量替代，使用阈值分割建立完整的肤色模型。实验表明在改进的YCbCr色彩空间内，肤色具有更好的聚类效果，可以有效地分割出肤色区域。(3)结合(2)中的肤色分割方法，提出了一种分层过滤的人脸检测算法，算法采用由粗到细的检测策略：首先标记肤色连通区域，然后根据人脸面部的几何特征，采用一些规则筛选肤色区域，初步获得候选人脸区域，最后通过人脸模板颜色特征分布建立矩阵模板进行模板匹配，以匹配率高低精确定位人脸位置。(4)在人脸跟踪阶段，采用CamShift跟踪算法进行人脸跟踪，避免全局搜索，缩小搜索区域，提高了人脸跟踪的速度。同时，针对传统CamShift跟踪算法在实际应用中的不足，本文引入卡尔曼滤波器，在人脸跟踪过程中不断更新人脸的运动模型，有效地解决了目标被遮挡和快速运动问题，提高了跟踪的匹配度和精度，并且使人脸跟踪系统获得较高的可靠性和鲁棒性。论文对基于视频监控的实时人脸检测与跟踪算法进行了研究，在此基础上，利用OpenCV提供的运动跟踪框架设计并完成了一个实验性的人脸检测与跟踪系统，能有效实现人脸检测与跟踪。