Los motores de búsqueda efectivos basados en redes neuronales profundas (DNN) pueden utilizarse para buscar muchas imágenes, como es el caso del motor de búsqueda de Google Imágenes. Sin embargo, el uso ilegal de los motores de búsqueda puede llevar a graves compromisos de privacidad. Afectados por diversos factores como intereses económicos y proveedores de servicios, los hackers y otras partes maliciosas pueden robar y manipular los datos de imagen subidos por los usuarios, causando problemas de filtración de privacidad en la recuperación de hashes de imágenes. Trabajos anteriores han explotado el ataque adversarial para proteger la privacidad del usuario con una estrategia de aproximación en el entorno de caja blanca, aunque este método conduce a una convergencia lenta. En este estudio, utilizamos la norma de penalización, que establece una restricción estricta para cuantificar la característica de una imagen de consulta en código binario a través del proceso de optimización no convexa. Además, explotamos la estrategia de avance-retroceso para resolver el gradiente que desaparece causado por la función de cuantización. Evaluamos nuestro método en dos conjuntos de datos ampliamente utilizados y mostramos un rendimiento atractivo con alta velocidad de convergencia. Además, en comparación con otros métodos de protección de privacidad de imágenes, nuestro método muestra el mejor rendimiento en términos de protección de privacidad y calidad de imagen.