随着人们对安全需求的增加，视频监控系统被大量安装于各种公共场所。视频监控系统的最重要的目的之一是监控视频中人员的行为，并在发生事件时能够确定人员的身份特征。人脸是人最重要的生物特征并且是案件发生时最重要的证据之一。清晰人脸的获取对视频监控系统与各种人脸相关的算法都有重要意义。近年来,跟人脸相关的研究包括人脸检测、人脸识别、人脸超分辨率、人脸遮挡恢复、人脸遮挡检测等一直是数字图像处理领域的研究热点。　　通过研究，我们发现传统的视频监控系统中存在以下问题:a）人脸在视频监控录像中通常只占整个视频图像非常小的一个部分，造成辨认与取证的困难;b）为了掩饰身份，犯罪分子出现在视频监控中时，经常对人脸进行遮挡;c）遮挡的人脸给辨认造成困难。为了解决这些问题，本文围绕如何在视频监控系统中的获取高品质人脸图像，取得了以下研究成果:　　1.提出了一种使用人体人脸检测技术来控制多摄像机协同工作的高清晰度人脸图像获取方法，并实现由多个摄像机与控制计算机组成的智能监控系统。与人脸超分辨率方法相比，方法的优点在于获取的是真实的放大人脸，并且放大的倍数大于通常超分辨方法的放大倍数。为了使得高速球机能够自动定位到场景中出现的人脸，系统引入了基于HOG人体检测算法检测与基于SRF的AdaBoost人脸检测算法。同时对人体与人脸检测算法使用GPU与CPU多核加速，使得系统能够达到实时性的要求。　　2.提出了一种基于AdaBoost的人脸遮挡检测方法。方法能够将视频监控系统中出现的人脸划分为三种类型:正常人脸、部分遮挡人脸与全部遮挡人脸。方法对场景出现的运动人体进行跟踪，并使用椭圆人头拟合算法确定人脸的位置。同时对AdaBoost算法的学习过程进行改造以使得算法能够检测上下半边人脸是否被遮挡。　　3.提出一种基于全局与局部模型的人脸遮挡恢复算法。方法的优点在于最终得到的结果既满足全局一致性要求又满足局部细节性要求。为了将人脸恢复分解为全局信息恢复与细节信息恢复两个步骤，方法建立了遮挡人脸的观察模型，使用概率主成分分析将人脸信息分解为全局信息与局部细节信息，并将它们统一到一个贝叶斯最大后验概率模型中。通过人脸库的学习，得到遮挡部分与未遮挡部分之间的全局依赖关系。在细节信息恢复过程中，使用全局相似性获得细节信息并使用马尔科夫场保证局部细节的连续性。