232
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
YUZNI ANIQLASH ALGORITMLARI TAVSIFI
Rustamov Ilhom A’zam o’g’li
1
Muhammad Al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti
1-kurs magistranti
Jabborov Xayitmurod Ishmo’min o’g’li
2
Muhammad Al-Xorazmiy nomidagi Toshkent axborot
texnologiyalari universiteti Kompyuter tizimlari kafedrasi dotsenti
ilhomsaep0124@gmail.com, xayitmurodjon@mail.ru
https://doi.org/10.5281/zenodo.14465326
Annotatsiya:
Tez rivojlanayotgan sun'iy intellekt va Internet texnologiyasi fonida,
mashinani o'rganish nazariyasi ostidagi mahsulot texnologiyalaridan biri bo'lgan yuzni
aniqlash xavfsizlik testlari, shaxsni tasdiqlash, jamoat xavfsizligi fotosuratlari va kirishda keng
qo'llanila boshlandi.
Nazorat qilish tizimi. Rivojlanish tezligi tendentsiyasidan kelib chiqqan holda, ushbu
texnologiya yaxshi rivojlangan sharoitlarga ega bo'ladi va qo'llash sohasi kengayadi. Uning bu
qadar mashhur bo'lishining eng muhim sabablaridan biri shundaki, yuzni tanib olish uchun
ishlatiladigan algoritmlar rivojlangan. Ushbu maqolada muallif, asosan, tegishli adabiyotlar
asosida yuzni aniqlashni amalga oshirish uchun beshta algoritmni tadqiq qiladi. Ular alohida
CNN, PCA, SVM. Taqqoslash va tahlildan so'ng, CNN inson yuzlarini tanib olish uchun eng mos
algoritmlardan biri ekanligini aniqlash mumkin, PCA va SVM esa tezlikni hisoblashda
muammolarga ega.
Kalit so’zlar:
Yuzni aniqlash, algoritm, CNN, PCA, SVM.
Аннотация:
На фоне быстрого развития искусственного интеллекта и интернет-
технологий распознавание лиц, одна из продуктовых технологий теории машинного
обучения, стало широко применяться при тестировании безопасности, подтверждении
личности, фотографиях для общественной безопасности и доступе.
Система контроля. Учитывая тенденцию скорости развития, эта технология будет
иметь хорошо развитые условия, а область применения расширится. Одна из наиболее
важных причин, почему он стал настолько популярным, заключается в том, что
алгоритмы, используемые для распознавания лиц, передовой. В этой статье автор в
основном исследует пять алгоритмов распознавания лиц на основе соответствующей
литературы. Это отдельно CNN, PCA, SVM. После сравнения и анализа можно
обнаружить, что CNN — один из наиболее подходящих алгоритмов для распознавания
человеческих лиц, а PCA и SVM имеют проблемы с вычислением скорости.
Использование сложных нейронных сетей может повысить точность распознавания
лиц. Если объединить различные алгоритмы вместе и использовать их преимущества в
распознавании лиц на разных этапах, прогнозирование алгоритмов будет.
Ключевые слова
: Распознавание лиц, алгоритм, CNN, PCA, SVM.
Abstract:
With the background of fast developing artificial intelligence and Internet
technology, face recognition, one of the product technologies under the theory of machine
learning, has become widely applied on safety tests, identity confirmation, public security
photos, and access control system. Based on the trend of its development speed, this
technology will have well developed circumstances and the field of application will expand.
One of the most essential reasons why it has become so popular is that the algorithms
used for face recognition are advanced. In this paper, the author mainly researches five
233
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
algorithms to realize face recognition based on relevant literature. They are eparately CNN,
PCA, SVM. After comparison and analysis, it can be found that CNN is one of the most suitable
algorithms to recognize human faces, and PCA and SVM have problems of calculating speed. If
combining different algorithms together and using their advantages in face recognition in
different steps, the prediction of the algorithms will be.
Keywords:
Face recognition, algorithm, CNN, PCA, SVM
.
KIRISH
Hozirgi vaqtda axborot texnologiyalari rivojlanishi bilan yuzni aniqlash tizimi texnika
sifatida turli sohalarda keng qo'llaniladigan sun'iy intellekt va mashinani o'rganish kabi
ko'plab professional texnikalarni o'z ichiga oladi[1].
Yuzni tanib olish - bu tasvirdan inson yuzi xususiyatlari haqidagi ma'lumotlarni ajratib
olish va uni kompyuterda saqlaydigan tasvir ma'lumotlar to'plamidagi muayyan yuzga
moslashtirish usulidir[1]. Bu sohada allaqachon ko'plab algoritmlar qo'llanilgan. Biroq,
algoritmni yaxshilash uchun hali ham usullar bor, chunki tanib olish ba'zan soch turmagi
o'zgarishi yoki ko'zoynak taqish tufayli muvaffaqiyatsiz bo'ladi. Ilmiy dunyo yuzni tanib olish
algoritmlarini tadqiq qildi va ularni to'rt turga ajratdi:
xususiyatga asoslangan tanib olish algoritmlari;
tashqi ko'rinishga asoslangan tanib olish algoritmlari;
shablonga asoslangan tanib olish algoritmlari;
va neyron tarmoqlardan foydalangan holda tanib olish algoritmlari[2].
Men yuzni tanib olishning asosiy beshta algoritmini umumlashtirish uchun avvalgi
olimlarning tadqiqotidan foydalanadim. Ushbu maqolada men adabiyotlarni ko'rib chiqish
orqali CNN, PCA, SVM, azariyasini tavsifladim va ularning afzalliklari va kamchiliklarini
taqqosladim. Ushbu tadqiqot yuzni tanib olishni o'rganmoqchi bo'lgan odamlarga
algoritmlarning asosiy tamoyillarini tushunishga yordam beradi.
MATERIALLAR VA METODLAR
CNN
Ta’rif va prinsiplari
Konvolyutsion neyron tarmog'i - bu neyron tarmoqlarning tuzilishiga asoslangan
konvolyutsiya hisoblarini o'z ichiga olgan algoritm. Neyronni hisoblashni almashtirish uchun
konvolyutsiya jarayonidan foydalanadigan tarmoqlar. Bu odatiy chuqur o'rganish
algoritmidir. CNN printsipi shundan iboratki, u kirishlar asosida natijalar beradigan
funktsiyaga o'xshaydi. Masalan, yuzni tanib olish sohasida u rasmiga qarab shaxsning ismini
aytadi.
Jarayon
Konvolyutsion neyron tarmoq jarayonini to'rt bosqichga bo'lish mumkin: filtrlash,
birlashtirish, faollashtirish va to'liq bog'langan qatlam[3]. CNN filtrlash o'tkazuvchanligini
yakunlash uchun konvolyutsiya yadrolaridan foydalanadi.Bir
tasvir juda ko'p xususiyatlarga ega, ya'ni ko'plab konvolyutsiya yadrolari mavjud. Ushbu
konvolyutsiya yadrolarini matritsalar sifatida tushunish mumkin, chunki biz rasm
ma'lumotlarini raqamlarga aylantiramiz. 1-rasmda ko'rsatilganidek, yangi tasvirni aniqlashda
kompyuter bu tasvirni raqamlar bilan bir nechta matritsalarga aylantiradi va konvolyutsiya
yadrosi va tasvir patchini bir qatorga qo'yadi. Keyin u ikkita matritsa ichidagi raqamlarni mos
ravishda ko'paytiradi va ularni qo'shadi. Natija raqamini matritsadagi piksellar soniga
234
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
bo'lingandan so'ng, yakuniy raqam ushbu rasmning dastlabki raqamini almashtiradi. Ushbu
jarayon umumiy tasvir katta yangi matritsaga o'zgartirilguncha bir necha marta takrorlanadi.
Ko'p konvolyutsiya yadrolari mavjud bo'lganligi sababli, tasvirni almashtirish uning nechta
yadrosiga qarab bir necha marta amalga oshiriladi.
Kiruvchi rasm Xususiyat aniqlovchi Xususiyat chizmasi
1-rasm.
Filterlash jarayoni.
Keyin u birlashtirish bosqichiga keladi. Tushunishni osonlashtirish uchun birlashtirish
jarayoni matritsani past o'lchamli matritsaga soddalashtirishdir.
2-rasmda ko'rsatilganidek, u mintaqaning bir qismini bittaga o'zgartiradi raqam,
o'rtacha raqamni olish yoki maksimal raqamni olish orqali. Ushbu jarayon orqali hisoblash
tezligi mustahkamlanadi, shuningdek, ortiqcha sig'imning oldini oladi.
2-rasm.
Birlashtirish jarayoni.
Keyingi bosqich - faollashtirish, bu birlashtiruvchi qatlamning chiziqli bo'lmagan aks
etishidir[3]. Birlashtiruvchi qatlamlar 3-rasmda ko'rsatilgan faollashtirish funktsiyasidan
o'tib, ko'p qatlamli tarmoqlarga haqiqiy ma'no beradi. CNNda bu funksiya ko'pincha ReLU da
bo’ladi.
Faollashtirish funktsiyalari
235
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
3-rasm.
Faollashtirish funksiyasi.
Yakuniy qadam to'liq ulanishdir. Filtrlash, birlashtirish va faollashtirish jarayonini
tugatgandan so'ng, kompyuter to'liq ulangan neyron tarmoqlar orqali javob berish uchun
qatlamlarni birlashtiradi. U qatlamni bitta o'lchamga tushiradi. Neyron tarmoqlarda turli xil
ma'lumotlar turli xil xususiyatlarga ega bo'lib, ular mashg'ulotlar vaqtiga bog'liq. Oxir-oqibat,
hisob-kitoblardan so'ng, kompyuter ushbu rasmning o'lchovi ehtimolini ko'rsatadigan
raqamni beradi.
2.3 Muhokama qismi
Konvolyutsiya neyron tarmog'i rasm ma'lumotlari bilan ishlashda mustahkam
algoritmdir, chunki orqaga tarqalish og'irlik va tarafkashlikni aniqlaydi, bu esa hukmni
aniqroq qiladi. Mashinani o'rganish bo'lgani uchun konvolyutsiya yadrolarini tanlash yanada
oqilona bo'ladi. Misol uchun, minglab mashg'ulotlardan so'ng, kompyuter burun, ko'z va
og'izni inson aralashuvisiz konvolyutsiya yadrolari sifatida taniydi[4]. Odamlar qilishlari
kerak bo'lgan yagona narsa bu yetarli rasm ma'lumotlarini berishdir. Garchi bu algoritm satr
va ustunni o'zgartirgandan so'ng bir xil ma'lumotlar ma'lumotlari bilan ishlay olmasa ham, bu
yuzni tanib olish uchun ajoyib algoritmdir.
PCA-SVM
PCA va SVM algoritmlariga asoslangan yuzni tanib olish, hisoblash jarayonini
tezlashtiradigan tasvirlar hajmini kamaytirish uchun PCA dan foydalanadi. Keyin SVM
klassifikatori orqali kompyuter hukm qilishi mumkin tasvirdagi odam kimligini aniqlaydi.
3.1 Asosiy komponentlar tahlili(PCA)
Asosiy komponentlar tahlili - ortogonal transformatsiyalar orqali ma'lumotlar
guruhining o'lchamlarini kamaytirish algoritmi[6]. O'lchamlarni qisqartirish jarayonida
ma'lumotlarning aniqligini saqlab qolish bilan hisoblash ishi kamayadi. Yuzni tanib olish
sohasida, odamlarning tasviri minglab piksellardan iborat bo'lganligi sababli, asosiy
komponentlar tahlili o'lchamni o'z yuzlari deb ataladigan kichik raqamlarga kamaytirishga
yordam beradi.
Ushbu algoritm ikki bosqichdan iborat: markazlashtirish va koordinatalar tizimini
topish. Desentratsiya - bu ma'lumotlarning o'rtasiga koordinatalarning kelib chiqishini
qo'yish jarayoni. Bu keyingi hisoblashda yordam beradi, chunki kelib chiqishi nolga teng.
Koordinatalar tizimini topish bu ma'lumotlarning maksimal farqiga ega bo'lgan yo'nalishni
236
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
topishdir. PCA buni bajarish uchun kovariatsiya matritsasidan foydalanadi. Kovariatsiya
matritsasi ikki o'zgaruvchi o'rtasidagi korrelyatsiyani aks ettiradi. Demak, xos vektorlar va
xos qiymatlarni hisoblash orqali kompyuter koordinataning qay darajada aylanishini va bu
yo'nalishdagi koordinata dispersiyasini aniqlaydi. PCA printsipiga ko'ra, xususiy
qiymatlarning qiymati qanchalik katta bo'lsa, ma'lumot shunchalik aniqroq bo'lib qoladi.
Shunday qilib, agar kimdir o'lchamni K o'lchamiga qisqartirmoqchi bo'lsa, kompyuter eng
katta k o'ziga xos qiymat bo'lib qoladi va ulardan bir nechta xossalarni yaratish uchun
foydalanadi.
X1
pc2
X2
3-olchovli bo’shliq
pca kamaytirilgan bo’shliq Pc1
2-o’lchovli
X3
4-rasm.
PCA model.
3.2 Vektor mashinasini qo’llab quvvatlash.
Yordam vektor mashinasi nazorat ostida o'rganishga tegishli va tasniflash va
regressiyani ham amalga oshirishi mumkin bo'lgan algoritmdir[7]. Uning printsipi maksimal
chegarali giperplanni topishdir. maksimal chekka giperplane ikki sinfni eng yaqin
ma'lumotlarga maksimal masofa bilan ikki qismga ajratadi. Agar biz SVM modelini yaratish
uchun etarli ma'lumot bersak, yangi ma'lumotlarni bashorat qilish juda aniq bo'ladi. Yordam
vektor mashinasi faqat ikkilik tasniflash uchun mos bo'lganligi sababli, agar biz ko'p
klassifikatsiyani amalga oshirmoqchi bo'lsak, n*(n-1)/2 vektorli mashinalarni qurishimiz va
ularni birlashtirishimiz kerak. Nihoyat, akkama-yakka ovoz berish orqali biz d sinfini
aniqlaymiz.
237
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
5-rasm.
SVM model.
Yuzni tanib olish sohasida, o'lchamlarni kamaytirish jarayonidan so'ng, biz o'qitish
uchun SVM modeliga xos yuzlarni qo'yamiz. Shunda bu klassifikator bizga tasvirdagi bu shaxs
kim ekanligiga javob beradi.
Biroq, o'z yuzlari yoki SVM modeli bo'ladimi, ularning barchasida ba'zi kamchiliklar
mavjud. Agar tasvirlar faqat yorug'lik farqiga ega bo'lsa, o'ziga xos yuzlar bashorati sezilarli
farqlarga ega bo'ladi.
SVM modeli faqat kichik hajmdagi ma'lumotlarni qo'llab-quvvatlaydi, agar biz katta
ma'lumotlar asosida yuzni tan olishni istasak, SVMni hisoblash uchun katta vaqt kerak bo'ladi.
XULOSA
Ushbu maqolada yuzni aniqlash sohasida qo'llaniladigan uchta algoritm tamoyillari va
har bir algoritmning afzalliklari va zaif tomonlari muhokama qilindi. Tadqiqot shuni
ko'rsatadiki, konvolyutsion neyron tarmog'i tasvir ma'lumotlari bilan ishlashda yaxshi, ammo
yorug'lik PCA kabi ta'sir qiladi. SVM hisoblash uchun juda ko'p vaqt sarflaydi, bu esa katta
hajmdagi ma'lumotlar bilan yuzni tanib olish oson bo'lmasligi mumkin. Kelajakda Internet
sohasida yuzni tanish texnologiyasi qo'llaniladi. Kelajakdagi tadqiqotlar turli xil
algoritmlarning aniqligini tekshirish uchun tajribalar va modellashtirishdan foydalanadi.
Foydalanilgan adabiyotlar:
1.
He Yanqin, Wu Lian, Guo Qingfen & Zeng Guinan. (2021). Current situation and future
trend of face recognition technology. Wireless Internet Technology (13), 80-82.
2.
Sun Peng. (2019). Overview of research and application of face recognition technology.
Propagation of science and technology (24), 130-131.
3.
S. Albawi, T. A. Mohammed and S. Al-Zawi, "Understanding of a convolutional neural
network," 2017 International Conference on Engineering and Technology(ICET), 2017, pp. 1-
6.
Class +1
Class -1
Missclassified
238
«UCHINCHI RENESSANS: TIBBIY VA FARMATSEVTIK TA’LIM
ISLOHOTLARI JARAYONIDA GUMANITAR FANLARNING VAZIFASI VA
ISTIQBOLLARI» MAVZUSIDA RESPUBLIKA ILMIY-AMALIY ANJUMANI
www.in-academy.uz
4.
Duan Jincheng, Zhang Fengxia, Z hu Xiaoqing. (2022). Research on Face Recognition
Algorithm Based on Convolutional Neural Network. Scientific and Technology Innovation
(10), 73-76.
5.
Meng Yifan & Liu Yijun. (2021). Research on Face Recognition Algorithm Based on PCA-
SVM. Horizon of Science and Technology (07), 77-79.
6.
Wang Zhiyang, Liu Jinlong & Tang Zixian. (2016). Application Research on PCA
algorithm in Face Recognition. Horizon of Science and Technology (01), 19-20.
7.
Liu Ming & Wu Zhaoxia. (2018). Theory and application of support vector machine.
Horizon of Science and Technology (23), 68-69.
8.
Li Zhihua, Zhang Jianyu & Wei Zhongcheng. (2022). Design on face recognition system
based on MTCNN and Facenet. Modern Electronic Technology (04), 139-143.
9.
Zhang Ying. (2022). Study on improved face recognition algorithm based on Facenet.
Electronic Technology (03), 25-27.
10.
Wei Wei. (2019). Face Recognition Research Based on Transform Domain and Local
Direction Pattern. Master thesis, Xiangtan University
