随着科学技术和人工智能的不断发展,人类生活的自动化水平在不断提高。与此同时,物联网和大数据技术的持续发展,信息在持续爆炸,被机器监控的数据也越来越多。以至于现在,不管你走在那里,是公共场所,还是走在您居住的社区里,各种各样的监控设备正在获取你的个人数据。虽然大规模监控系统在社会安全领域发挥着必要而积极的作用。但是,这样的方式也导致了很多其他的问题。其中如何保护图像信息,尤其是人脸图像信息中的隐私信息(个人身份)是本文关注的主要问题。特别是随着深度学习技术在人脸识别领域的广泛应用,人脸识别软件的识别率已经可以与人类水平相媲美。这一高识别率的人脸识别技术将广泛应用于商业广告,公共场所,机场和犯罪等各个领域。但大多数人可能并没有意识到人脸识别技术为人们的科技生活带来便利的同时,也将给个人隐私带来了巨大的挑战。比如当您站在嵌入有人脸识别软件的广告牌面前时,它会识别出您的身份,即您是谁,并以此为导火索关联出您其他的个人信息,如您喜欢什么,您的职业等等,并使用这些信息推荐您可能喜欢的广告。同样,随着具有人脸识别技术的监控系统被广泛使用和连接,每个人都将无处可藏。因此,我们如何在这样的环境中保护个人隐私呢?针对这一问题,本文提出了人脸图像处理的去身份算法。所提出的人脸图像处理的去身份算法不仅可以使得人脸识别软件失效,即无法准确地识别出人脸图像的身份信息,同时还保存了人脸图像中其他有用的信息,如表情信息等。本文的主要工作总结如下:首先,总结了博士期间基于云模型的人脸图像处理的相关工作:基于云模型的人脸图像特征提取与表达,基于云模型的人脸识别,人脸表情识别与合成等。这些工作的主要目的是运用云模型的三个数字特征:期望(Ex),熵(En)和超熵(He)来深入理解人脸图像。期望Ex是通用概念上云滴的数学期望,它可以被认为是定性概念中最具代表性和典型的样本;熵En是定性概念中不确定性的度量,它取决于概念的随机性和模糊性,作为随机性的衡量标准,熵En反映了云滴的分散程度,另一方面,它也是模糊性的度量,代表了概念可以接受的论域范围;超熵He是熵En的不确定度。在此基础上,提出了基于云模型的去身份算法。该算法的核心是在尽可能保存人脸表情信息的同时,去除人脸身份信息。为了验证算法的有效性,本文对JAFFE人脸数据集进行了实例研究,实验结果显示所提出的算法使得人脸识别软件无法准确辨认人物身份,但是人脸表情信息得以保存。此外,通过对人脸图像特征空间的深入分析和研究,本文提出了一种基于主动外观模型的去身份算法。该算法的基本前提是人脸图像空间是由人脸图像的多种特征,即身份,表情,年龄或性别等组合而成的。该算法通过将基于主动外观模型的人脸图像特征空间分解为与“身份”特征相关的空间和与“表情”特征相关的空间。并在与“身份”特征相关的空间中,采用本文提出的基于有用性约束的去身份算法处理该“身份”特征空间,并保留与“表情“特征相关的空间。最终将保留的人脸“表情”特征空间与进行隐私保护处理过的“身份”特征空间相结合重构出去身份后的人脸图像。为了验证算法的有效性,本文在Cohn-Kanade扩展人脸数据集(CK +)上进行了实例研究。实验结果表明该方法得到的人脸图像使得人脸识别软件无法准确识别人物身份,但是人脸表情识别软件仍然可以很好地识别出人脸表情信息。最后,基于深度学习技术,尤其是卷积神经网络在人脸识别领域取得了非常显著的成果,即与传统的人脸图像特征提取方式不同的是,卷积神经网络训练提取出的人脸图像特征对复杂的人脸图像的内部变化具有极强的鲁棒性。从而使得卷积神经网络在非约束环境下的人脸识别中取得了非凡的成功。基于此,我们提出了基于卷积神经网络的去身份算法。即运用卷积神经网络提取了能很好保存人脸图像身份信息的特征(Feature Identity-Preserving,FIP)。与传统的人脸图像特征表示不同,这种基于卷积神经网络训练出的身份特征可以显著地减少相同身份之间的差异,同时还可以保存不同人脸身份之间的区别,并且对光照条件,人脸偏侧等具有非常好的鲁棒性。得到了该特征后,运用本文提出的基于有用性约束的去身份算法处理该身份特征,并保留其他人脸图像特征,并最终重构出去身份后的人脸图像。本文将该算法应用在MultiPIE人脸数据库中。实验结果表明,该方法得到的人脸图像使得人脸识别软件无法准确识别出人脸的身份信息,即使得人脸识别软件失效,但是尽可能地保留了人脸图像中其他有用的信息或特征(如表情等)。综上所述,本文研究了人脸图像处理的去身份算法,实现了在人脸图像领域对个人敏感信息,即身份信息的保护。这种身份信息的保护尤为重要,因为在己知身份信息的前提下,许多其他的敏感信息将会被关联出来。去身份后的人脸图像,将可以安全广泛地应用于生成生活的各个领域。本文提出了三种人脸图像的去身份算法：基于云模型的去身份算法,基于主动外观模型的去身份算法,基于卷积神经网络的去身份算法。这些算法的共同目标是尽可能地在保留人脸图像有用信息的同时,使得人脸身识别软件失效。通过多组实验验证表明,所提出的三种去身份算法均是有效可行的。