优化视觉聚焦点的手背静脉识别方法

传统的手背静脉身份识别研究对旋转,平移,尺度变化敏感,极大地影响了识别率;因此该文在非限定采集者手背姿势的情况下,将人类视觉注意力机制与神经网络结合,针对旋转,平移,尺度变化等问题提出了优化视觉聚焦点的循环神经网络模型;该模型自适应寻找手背静脉聚焦点,以聚焦点为中心,截取局部ROI区域,送入循环神经网络训练各局部区域的序列关联性;该文的优化方法如下:在选取聚焦点时,加入正态分布噪声;对聚集点的个数进行约束;截取多尺度局部ROI;训练时采用强化学习中的策略梯度下降法和最优化的无偏估计交叉熵损失函数;将该循环神经网络网络模型在多形态的手背静脉数据中进行实验验证,识别率达到99.3%,与传统的局部特征提取方法相比,极大的提高了手背静脉的识别率。

论Miller-Rabin算法预处理的局限性

信息安全领域中极为重要的公钥密码体制的关键在于生成两个大素数,目前虽已有多项式运行时间的确定性素性检测算法AKS算法,可惜运行时间还达不到实用要求,故还是快速实用的概率性素性检测算法Miller-Rabin算法为主流,但其有一点一直被忽略——Miller-Rabin算法直接控制的其实是误判率而不是出错率,而后者才是真正需要降低的。对此做了详细分析,同时考察一些利用素数分布特性的预处理措施在降低出错率方面的效果,并分析了这一类优化的效果极限,否定了其必要性,相比之下,针对算法底层的优化更为直接有效。