数码相机和计算机视觉技术的广泛应用,给我们的生活带来了很多便捷,但也存在诸多隐私问题。近年来,数字图像的隐私保护受到越来越多的关注。一般来说,图像的隐私保护是通过隐藏图像的视觉信息来实现的,然而,过度的视觉抽象会使得图像变得毫无意义。图像中的目标通常包含可能泄露隐私信息的视觉信息,我们可以根据图像中目标不同的隐私敏感程度(隐私度),使用不同的图像处理技术来滤除视觉信息,从而实现多级别的隐私保护。对于目标隐私度的分析具有一定程度的主观性,本文的研究目的是让计算机模拟人类视觉及感知思维对图像的视觉信息进行客观地定量地隐私评估。实现这一目标面临着两个主要的挑战:一是如何有效地检测图像中的一般性目标,并提取目标的视觉显著性信息;二是如何科学的分析和评估目标的视觉隐私度。本文首先根据隐私的定义以及视觉显著性的相关概念,提出了利用目标的视觉特征研究目标隐私度的评估方法,通过图像目标检测,目标识别分类,目标隐私风险评估等步骤实现计算机对图像目标隐私度的定量分析、计算和评价。在图像目标检测中,本文提出了基于图像块的显著性分层检测算法,实现了新的显著性检测方法和一般性目标估计的有机结合,并有效地提取了目标的显著性概率值作为目标的视觉显著性特征。实验结果表明,该算法完成了高质量低时耗的显著性目标的检测和提取,得到了一组具有高质量的独立于类别的区域,并且在1150个区域的平均最佳重叠(MABO)得分为0.627,明显优于其他显著性检测方法的得分。在目标识别分类过程中,重点研究了人脸目标的识别算法,讨论了图像预处理技术对于基于核的人脸识别算法的影响,并提出了融合核Fisher鉴别分析和核主成分分析方法的人脸识别算法,实验结果证明本文提出的方法优化了算法性能,提高了人脸的识别率。人脸识别算法的研究为目标隐私度定量评估方法中的目标类别属性特征的提取提供了支持。在目标的隐私分析评估时,基于目标的视觉显著性和目标的类别属性这两个客观准则,通过改进的风险矩阵算法和BORDA序值法来定性地分析和定量地评估目标的隐私风险程度,计算图像中目标的隐私度并排序,从而为基于目标视觉信息的图像隐私保护方案提供客观的科学的依据。所提出的隐私度定量评估方法较高地匹配人类的主观评估结果。通过文中展示出的实验图表和数据说明了本文提出的新方法具备可行性和适用性。本文研究了图像中一般性目标的隐私度评估方法,最后,本文从特定目标的角度出发,以具有高隐私敏感性的人脸目标为例,具体研究人脸目标的隐私度定量评估方法。本文首先提出了一种基于PCA的k-Same人脸去识别方法,通过比较不同的去识别方法下的识别率和SSIM值,证明本文提出的算法能够获得更低的识别率和更好的图像质量;然后将人脸尺寸作为视觉线索,利用线性回归分析方法建立人脸隐私度的定量评估模型,得到不同识别率需求下的人脸尺寸和其隐私度间的关系。由于本文利用识别率和失真度作为两个自变量拟合出关于去识别化程度的回归模型,并用得到的去识别程度来量化隐私度,这种定量分析隐私的方法和思路,使评价的结果更加客观。