随着多媒体和计算机网络技术的飞速发展,数字图像的采集、存储和共享变得越来越容易。同时,自动数字图像处理与分析技术得到了广泛的发展和应用,使人们能够方便地进行图像识别、分析和理解。然而,这也方便了潜在恶意用户对图像的攻击,特别是对于社交媒体中共享的人脸图像,恶意用户可以利用这些工具从中获取各种个人信息。因此,抗自动识别的人脸图像隐私保护具有十分重要的意义。基于上述问题,本文详细介绍了抗自动识别的人脸图像隐私保护研究背景、研究意义和研究现状,并概述了抗自动识别的人脸图像隐私保护相关技术。同时,针对现有抗自动识别人脸图像隐私保护方法的不足,提出了两种基于感兴趣区域编辑的人脸图像隐私保护方法。本文的主要工作内容包括:(1)提出了一种基于最优组件序列和模板融合的人脸图像隐私保护方法。该方法利用了人脸组件在视觉质量保持和隐私保护中的差异,并基于组件差异提出了最优组件序列,提高了隐私保护图像的视觉质量。同时,该方法利用了人脸组件融合技术,其中用于组件融合的人脸模板库是由BEGAN(Boundary Equilibrium Generative Adversarial Networks)生成的,以避免侵犯他人隐私。与现有方法相比,该方法能有效地保护人脸隐私,同时更好地保持图像的视觉质量。(2)提出了一种基于CNN(Convolutional Neural Networks)感兴趣区域编辑人脸图像隐私保护方法。该方案首先提出了一种基于CNN的人脸隐私保护感兴趣区域计算方法。选择一组CNN人脸分析网络集合和一个人脸图像数据集,并利用该网络集合计算出每个人脸图像的梯度,然后从这些人脸图像梯度中计算出平均梯度图像。最后,根据平均梯度图像确定感兴趣子区域,其中不同的感兴趣子区域反应出对CNN输出的不同贡献。同时,该感兴趣区域的编辑可以适用任意的现有全脸隐私保护方法如模糊、像素化、加密等。与现有方法相比,该方法在达到同样的隐私保护能力时,图像修改更小、质量更高。本文提出的方法,找到了人脸中的隐私保护敏感区域。在同等隐私保护条件下,提高了图像的视觉质量和效用,在社交媒体共享人脸图像的抗自动识别隐私保护中具有较大的应用潜力。