在互联网大数据时代,智能手机以及监控相机等数据采集设备的广泛应用,显著地提高了行人图像数据的获取、分享和传播效率。一方面,这些数据能广泛应用于智能服务以提高人们的工作效率与生活质量;另一方面,如果这些数据被滥用,会严重威胁个人或者组织的隐私安全。因此,研究行人图像隐私保护方法具有重要的价值及应用前景。近年来,生成对抗网络技术为基于图像合成替换的身份匿名隐私保护方法提供了新思路。然而,现有方法大多关注人脸隐私保护而往往忽略了人体数据中隐藏的身份信息,故仍然存在严重的隐私泄露风险。本文将探索基于图像合成的行人隐私保护方法,需要克服以下两个难点问题:一是难以合理地平衡行人图像隐私保护与数据可用性之间的关系;二是难以有效地兼顾隐私保护后行人图像面部区域的数据可用性。针对这两个问题,本文开展了以下研究:针对问题一,本文提出基于自适应匿名模型的行人图像隐私保护方法。依托于所设计的自适应变换网络,该方法通过属性自适应方式挑选代理行人图像作为输入,在匿名理论以及数据可用性一致约束的支持下,最终合成数据可用性一致的匿名行人图像。该方法在不同的隐私级别下能够产生可控的多样化结果,并且保持原始图像中行人的姿势、背景和非敏感属性。在多个公开数据集上的实验结果表明,该方法能够更好地平衡行人图像隐私保护与数据可用性之间的关系,并降低发生身份攻击的风险。针对问题二,本文提出基于面部增强模型的行人图像隐私保护方法。首先,该方法在行人图像面部区域的特征空间上采样匿名特征点;其次,将该特征点输入生成对抗网络,合成匿名人脸图像;最终,匿名人脸图像用于增强匿名行人面部区域数据可用性。在多重匿名约束条件下,该方法能以较高隐私保护水平实现人脸图像匿名。此外,通过独立合成的高质量人脸图像,该方法有效地改善行人图像中面部区域数据可用性受限的问题。在多个公开数据集上的实验结果表明,该方法在生成人脸图像的真实性、数据可用性以及隐私保护能力等方面取得综合较优效果。