ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
54
IMZONI TANIB OLISHDA QO‘LLANILADIGAN ASOSIY ALGORITMLAR:
KLASSIK VA ZAMONAVIY METODLARNING SOLISHTIRILGAN TAHLILI
Otanazarov Umrbek Ulugʻbek oʻgʻli
+998976073717
Muhammad Al-Xorazmiy nomidagi
Toshkent axborot texnologiyalari universiteti Magistranti
https://doi.org/10.5281/zenodo.15285977
Annotatsiya:
Tadqiqotda
imzoni avtomatik tanib olish jarayonida qo‘llaniladigan
algoritmlarning turlari va ularning samaradorlik darajasi tahlil qilinadi. Klassik yondashuvlar
— Template Matching, Euclidean Distance, Dynamic Time Warping (DTW) — va zamonaviy
metodlar — Support Vector Machine (SVM), Convolutional Neural Networks (CNN), Long
Short-Term Memory (LSTM) — funksional va texnologik mezonlar asosida solishtirildi.
Tadqiqot natijalari klassik metodlar oddiy strukturali tizimlarda samarali bo‘lsa-da,
zamonaviy
chuqur
o‘rganish
modellarining
aniqlik
darajasi,
barqarorlik
va
moslashuvchanlikda ustunligini ko‘rsatdi.
Kalit so‘zlar:
imzoni tanib olish, klassik algoritmlar, zamonaviy algoritmlar, CNN, DTW,
SVM, LSTM, biometrik autentifikatsiya, algoritmik tahlil, aniqlik.
KIRISH
Imzoni avtomatik tanib olish tizimlarining asosiy samaradorlik mezoni tanlab olingan
algoritmlarning aniqlik darajasi, ishlash tezligi va hisoblash resurslariga bo‘lgan ehtiyojidir.
Ilmiy va amaliy tajribalar shuni ko‘rsatadiki, imzoni tanib olish uchun ishlatiladigan
algoritmlar ikki asosiy guruhga bo‘linadi: klassik metodlar va zamonaviy, intellektual
yondashuvlarga asoslangan algoritmlar. Ularning har biri o‘ziga xos ishlash printsipi,
afzalliklari va cheklovlariga ega bo‘lib, tanlash mezonlari tizimning maqsadiga, texnik
imkoniyatlariga va xavfsizlik talablariga qarab belgilanadi.
Klassik metodlar-
Klassik metodlar soddaligi, tezligi va hisoblash yengilligiga ko‘ra
tarixan dastlabki imzo tanib olish tizimlarida keng qo‘llanilgan. Ular odatda tasvirlar yoki
chiziq to‘plamlarini an’anaviy statistik yoki geometrik jihatdan solishtirishga asoslanadi.
1.
Template Matching (Andoza bilan taqqoslash)-Bu usulda imzo namunasi avvaldan
bazada mavjud andozalar bilan piksel darajasida taqqoslanadi. Har bir piksel juftligi orasidagi
farq hisoblanadi va eng kichik farq moslik belgisi hisoblanadi. Afzalligi — ishlash tezligi
yuqori, kam hisoblash resurslari talab etadi. Kamchiligi — fon shovqini va imzodagi kichik
o‘zgarishlarga nisbatan sezuvchanligi past [1;45].
2.
Euclidean Distance-Bu yondashuvda tasvir descriptorlari (masalan, Hu momentlari yoki
chiziq uzunliklari) o‘zaro masofa asosida solishtiriladi. Eng yaqin masofa — moslik darajasini
bildiradi. Bu usul kompyuter grafikasi va geometrik descriptorlar bilan ishlovchi tizimlarda
tez-tez qo‘llaniladi.
3.
Dynamic Time Warping (DTW)-DTW algoritmi dinamik imzolarni vaqt o‘qi bo‘yicha
moslashtirish imkonini beradi. Yozuv tezligi va bosimdagi farqlarga qaramay, chiziq
yo‘nalishlari, segment uzunliklari va vaqtdagi siljishlar mos keladigan bo‘lsa, tizim moslikni
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
55
aniqlaydi. Bu algoritm ayniqsa dinamik imzo bilan ishlovchi tizimlar uchun mos keladi, lekin
hisoblash xarajati nisbatan yuqoridir [2;33].
Zamonaviy intellektual algoritmlar-
Zamonaviy algoritmlar sun’iy intellekt va chuqur
o‘rganish printsiplariga asoslanib, katta o‘lchamli imzo datasetlari bilan ishlay oladi va
xususiyatlar orasidagi murakkab munosabatlarni aniqlash imkonini beradi. Bunday
yondashuvlar imzodagi eng kichik farqlarni ham aniqlay oladi va soxtalashtirishlarga qarshi
chidamlilikni oshiradi.
1.
Support Vector Machine (SVM)-SVM ikki sinf orasidagi eng yaxshi chiziqli yoki chiziqli
bo‘lmagan chegara chizig‘ini aniqlaydi. Imzoning descriptorlari (masalan, burchak, bosim,
uzunlik) vektor sifatida taqdim etilib, ularning joylashuvi asosida tasnif amalga oshiriladi.
SVM algoritmi yuqori aniqlik bilan ajralib turadi va ayniqsa kichik hajmdagi ma’lumotlar bilan
samarali ishlaydi [3;61].
2.
k-Nearest Neighbors (k-NN)-Har bir yangi imzo namunasi ma’lumotlar bazasidagi eng
yaqin k ta namunaga nisbatan tahlil qilinadi. Eng ko‘p uchragan sinfga tegishli deb
tasniflanadi. Bu algoritm oddiy va samarali, ammo katta bazalarda ishlashda hisoblash
resurslari ko‘proq talab etiladi.
3.
Convolutional Neural Network (CNN)-CNN algoritmlari tasvirlardan xususiyatlarni
avtomatik ajratadi va chuqur qatlamlar orqali o‘z-o‘zini optimallashtiradi. Imzo tanib olishda
CNN tarmoqlari turli o‘lchamdagi chiziq, burilish, bosim naqshlarini tanib olishga moslashgan.
Amaliy tajribalar CNN modellarining aniqlik darajasi 97–99% gacha yetishini ko‘rsatmoqda
[4;58].
4.
Recurrent Neural Networks (RNN) va Long Short-Term Memory (LSTM)-Bu algoritmlar
vaqtga bog‘liq bo‘lgan harakatlar ketma-ketligini (yozuv yo‘nalishi, bosim ritmi) o‘rganish
uchun qo‘llaniladi. Ayniqsa, dinamik imzolarni o‘rganishda LSTM modellarining samaradorligi
yuqori hisoblanadi.
Algoritmlarning aniqlik darajasi va solishtirma tahlili
1-Jadval:Algoritmlarning samaradorligi tahlili
№
Biometrik
vosita
Aniqlik
darajasi
(%)
Joriy etish
qulayligi
Huquqiy
kuchi
Soxtalashtirishga
bardoshlik
1
Imzo
95–99
Yuqori (sensor
planshet
yetarli)
Bor (yuridik
asosga ega)
Yuqori (dinamik
parametrlar
asosida)
2
Barmoq izi
97–99
O‘rtacha
(maxsus skaner
talab etiladi)
Cheklangan
(asosiy
hujjatlarda
emas)
O‘rtacha (noto‘g‘ri
nusxa olish
mumkin)
3
Yuz tasviri
90–95
Yuqori (kamera
orqali)
Cheklangan
Past (surat orqali
spoofing mumkin)
4
Tovush
85–92
O‘rtacha
(mikrofon talab
etiladi)
Cheklangan
Past (matnli taqlid
mumkin)
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
56
XULOSA
: Amaliy testlar MCYT va CEDAR datasetlari asosida olib borilganida CNN va
LSTM modellarining aniqligi boshqa algoritmlarga qaraganda yuqori natija berganini
tasdiqladi [5;66]. Ayniqsa, CNN modellar real vaqtli ishlashda barqarorlik va soxta imzoni
aniqlashda sezilarli ustunlik ko‘rsatdi.Imzoni tanib olishda ishlatiladigan algoritmlarning
tanlovi tizimning aniqligi, ishlash tezligi, xavfsizlik darajasi va resurslar bilan bog‘liq
imkoniyatlarga asoslanadi. Klassik algoritmlar kam quvvatli va resurs chegaralangan
qurilmalarda samarali bo‘lsa, zamonaviy intellektual algoritmlar yuqori aniqlik, barqarorlik
va keng moslashuvchanlikni ta’minlaydi. Tadqiqot davomida algoritmlarning real testlari,
natijalarning statistik tahlili, va ularning integratsiyalashgan gibrid modellar asosida
ishlatilishi samaradorlikni yanada oshiradi.
References:
Используемая литература:
Foydalanilgan adabiyotlar:
1.
Plamondon, R., & Lorette, G. (1989). Automatic Signature Verification and Writer
Identification – The State of the Art.
Pattern Recognition
, 22(2), 107–131.
2.
Jain, A. K., Ross, A., & Nandakumar, K. (2011).
Introduction to Biometrics
. Springer.
3.
Maltoni, D., Maio, D., Jain, A. K., & Prabhakar, S. (2009).
Handbook of Biometrics
. Springer
Science & Business Media.
4.
Said, E., Georgiou, T., & Ferrer, M. A. (2019). Offline Signature Verification Using CNNs
and Deep Learning Techniques.
IET Biometrics
, 8(2), 134–142.
5.
Hafemann, L. G., Oliveira, L. S., & Sabourin, R. (2017). Offline handwritten signature
verification—literature review.
Pattern Recognition
, 70, 270–291.
