Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
228
3.Кабилджанов, А., Пулатов, Г., & Пулатова, Г. (2023). Bashoratlash usul va algoritmlari.
Информатика и инженерные технологии
,
1
(2), 124-126.
4.Shreider, Yu. A. (2003). Теория нечётких множеств и принятия решений. Radio va
aloqa, Moskva.
KAFT TASVIRI BAZALARINI TUZILISHI, TEXNIK XUSUSIYATLARI,
QO‘LLANILISHI VA ZAMONAVIY MUAMMOLARI
Saliyev Ergash Alibekovich
Jizzax shahri Sambhram universiteti kuzatuv kengashi raisi
Kodirov Elmurod Solijon o‘g‘li
“TIQXMMI” Milliy tadqiqot universiteti assistenti
Shukrulloyev Bektosh Robillo o‘g‘li
“TIQXMMI” Milliy tadqiqot universiteti izlanuvchisi
Annotatsiya:
Mazkur tadqiqotda kaft tasviri bazalari biometrik identifikatsiya tizimlarining
asosiy resursi sifatida har tomonlama tahlil qilingan bo‘lib, unda bazalarni tuzish jarayoni, ularni
texnik xususiyatlari va qo‘llanilish sohalari batafsil yoritilgan. Shuningdek, CASIA Palmprint,
NEC Palm Database va PolyU Multispectral kabi mavjud bazalar tahlil qilingan. Tadqiqot
jarayonida sifat muammolari, maxfiylik masalalari, standartlashtirishdagu muammolar va texnik
cheklovlar aniqlangan bo‘lib, ishda ularni hal etish uchun tavsiyalar ham ishlab chiqilgan.
Kalit so‘zlar:
Kaft tasviri, biometrik ma’lumotlar bazasi, tasvir sifati, identifikatsiya
algoritmlari, ochiq baza, mashinaviy o‘qitish, standartlashtirish, multispektral tasvir, kontaktsiz
tasvirlash.
СТРУКТУРА БАЗ ДАННЫХ ИЗОБРАЖЕНИЙ ЛАДОНЕЙ, ИХ
ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ, ПРИМЕНЕНИЕ И СОВРЕМЕННЫЕ
ПРОБЛЕМЫ
Аннотация:
В данном исследовании базы данных изображений ладоней всесторонне
анализируются как ключевой ресурс биометрических систем идентификации. В работе
подробно рассмотрены процесс создания баз данных, их технические характеристики и
области применения. Также проанализированы существующие базы данных, такие как
CASIA Palmprint, NEC Palm Database и PolyU, Multispectral. В ходе исследования выявлены
проблемы качества, вопросы конфиденциальности, сложности стандартизации и
технические ограничения, а также разработаны рекомендации по их решению.
Ключевые слова:
изображения ладоней, биометрическая база данных, качество
изображений, алгоритмы идентификации, открытая база, машинное обучение,
стандартизация, мультиспектральные изображения, бесконтактная съемка.
STRUCTURE OF PALMPRINT DATABASES, THEIR TECHNICAL
CHARACTERISTICS, APPLICATIONS, AND MODERN CHALLENGES
Abstract:
This study comprehensively analyzes palmprint databases as a fundamental
resource for biometric identification systems. It provides a detailed exploration of the database
creation process, their technical specifications, and application areas. Existing databases such as
CASIA Palmprint, NEC Palm Database, and PolyU, Multispectral have also been examined.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
229
During the research, issues related to quality, privacy concerns, standardization challenges, and
technical limitations were identified, with recommendations proposed to address them.
Keywords:
palmprint images, biometric database, image quality, identification algorithms,
open database, machine learning, standardization, multispectral imaging, contactless imaging.
Bugungi kunda biometrik identifikatsiya texnologiyalari shaxsni aniqlash, xavfsizlikni
ta’minlash va shaxsiy ma’lumotlarni himoyalashda muhim rol o‘ynamoqda [1]. Barmoq izlari, yuz
tasvirlari va ko‘z gavhari kabi an’anaviy biometrik xususiyatlardan tashqari, kaft tasvirlari
o‘zining noyob chiziqlari, vena timsollari va geometrik tuzilishi sababli yuqori darajada ishonchli
identifikatsiya vositasi sifatida e’tirof etilmoqda. So‘nggi o‘n yillikda kaft tasviri biometrikasiga
qiziqish sezilarli darajada oshdi [2]. Masalan, NIST (National Institute of Standards and
Technology) ma’lumotlariga ko‘ra, 2015-2023 yillar oralig‘ida biometrik tadqiqotlarni taxminan
30% ga yaqini kaft tasvirlari bilan bog‘liq bo‘lib, bu mashinaviy va chuqur o‘qitish algoritmlari
rivojlanishi bilan chambarchas bog‘liq [2]. Shu bilan birga, 2022 yilda IEEE Transactions on
Biometrics jurnalida chop etilgan hisobotga ko‘ra, kaft tasviriga asoslangan tizimlarni aniqlik
darajasi 98% gacha yetgan, bu esa ularni amaliy qo‘llanilishdagi potentsialini ko‘rsatadi [3].
Kaft tasviri bazalari ushbu tizimlarni asosiy tayanchi hisoblanadi, chunki ular identifikatsiya
algoritmlarini o‘qitish, sinash va optimallashtirish uchun zarur bo‘lgan katta hajmdagi tasvir
ma’lumotlarini taqdim etadi [4]. Masalan, CASIA Palmprint Database 2005 yilda Xitoy Fanlar
Akademiyasi tomonidan yaratilganidan so‘ng, u 1000 dan ortiq ilmiy maqolada foydalanilgan va
hozirgi kunda eng mashhur ochiq baza sifatida tan olingan [5]. Shuningdek, tijorat sohasida NEC
Corporation va HID Global kabi kompaniyalar yopiq bazalaridan foydalangan holda aeroport,
bank va davlat idoralari uchun maxfiy xavfsizlik tizimlarini rivojlantirmoqda. Biroq, mavjud
bazalar bir qator cheklovlarga ega, jumladan tasvirlarni past sifati, maxfiylik bilan bog‘liq
muammolar [6], standartlashtirishni yo‘qligi va katta hajmli ma’lumotlarni qayta ishlashdagi
texnik muammolar ularni kengroq qo‘llanilishiga to‘sqinlik qilmoqda. Shu sababli, kaft tasviri
bazalarini chuqur tahlil qilish va ularning hozirgi holatini baholash dolzarb masala sifatida
ko‘riladi.
Kaft tasviri bazalarini tuzilishi va turlari.
Kaft tasviri bazalari biometrik identifikatsiya
tizimlarini muhim qismi bo‘lib, ularni tuzilishi tasvirlarni yig‘ish texnologiyalari, anotatsiya
jarayonlari va foydalanish maqsadlariga qarab farqlanadi. Bazalarni yaratish jarayoni bir nechta
bosqichlardan iborat bo‘lib, har bir bosqich o‘ziga xos texnologik yondashuvni talab qiladi.
Dastlab, tasvirlarni yig‘ish jarayoni amalga oshiriladi, bunda turli qurilmalar qo‘llaniladi.
Masalan, optik skanerlar, xususan, HID Guardian 500-1000 DPI aniqlikda kaft yuzasidagi
chiziqlar va burmalarni yuqori sifatda qayd etadi [7]. Infraqizil kameralar, masalan, Fujitsu
PalmSecure, 250-500 DPI aniqlikda kaftni ichki vena tuzilishini tasvirlashga imkon beradi [8].
Kontaktsiz usullar uchun esa 2D kameralar, masalan, Samsung Galaxy S23 Ultra 1200 DPI
aniqlikda tasvirlarni taqdim etadi [9], shu bilan birga 3D skanerlar, xususan, Intel RealSense D435
0.1-1 mm aniqlikda chuqurlik ma’lumotlarini qayd etadi [9]. IITD Contactless bazasi Canon
PowerShot kamerasi yordamida 500 DPI aniqlikda yig‘ilgan bo‘lib, bu jarayon kontaktsiz usul
afzalliklarini ko‘rsatadi [10].
Tasvirlar yig‘ilgandan so‘ng, anotatsiya jarayoni boshlanadi, bu bosqichda tasvirlarni
muhim qismlari – ROI (Region of Interest) maxsus algoritmlar yordamida belgilab olinadi. PolyU
Multispectral bazasida 8000 tasvir chiziqlar, vena naqshlari va 3D detallar bo‘yicha qo‘lda va
avtomatik anotatsiyalangan bo‘lib, bu jarayon tasvirlarni keyinchalik qayta ishlashni
soddalashtiradi [11]. CASIA Palmprintda esa ROI o‘lchami 128x128 piksel sifatida
standartlashtirilgan, bu esa algoritmlarni sinashda bir xillikni ta’minlaydi. Anotatsiyadan so‘ng
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
230
tasvirlar saqlash uchun mos formatlarga o‘tkaziladi. Odatda JPEG, PNG yoki BMP formatlari
qo‘llanilsa-da, multispektral va 3D bazalar uchun RAW formatlari afzal ko‘riladi. Masalan, Tongji
Contactless bazasi JPEG formatida 12,000 tasvirni o‘z ichiga oladi, bu esa fayl hajmini 5-10 GB
atrofida ushlab turadi va katta hajmli ma’lumotlarni qayta ishlashda qulaylik yaratadi [12].
Kaft tasviri bazalari foydalanish maqsadi va ochiqlik darajasiga qarab bir nechta turlarga
ajratiladi. Tadqiqotchilar uchun bepul mavjud bo‘lgan ochiq bazalar ilmiy sinovlar uchun keng
qo‘llaniladi. Ochiq bazalardan tashqari, tijorat yoki maxfiy maqsadlarda foydalaniladigan yopiq
bazalar ham mavjud. NEC Palm Database aeroport va davlat idoralarida qo‘llaniladi, biroq uning
aniq ma’lumotlari maxfiy saqlanadi [13]. Shu bilan birga, muayyan texnologiyalarga
yo‘naltirilgan maxsus bazalar ham keng tarqalgan. PolyU Multispectral Palmprint Database
multispektral va 3D tadqiqotlar uchun ideal resurs hisoblanadi.
Bazalarni texnik xususiyatlari ularni qo‘llanilish samaradorligini belgilaydi. Hajm jihatidan
kichik bazaga COEP, katta hajmli bazaga Tongji, o‘rtacha hajmli baza sifatida esa CASIA ni misol
sifatida keltirish mumkin. Aniqlik darajasi past sifatli tasvirlarda 200 DPI (FLIR Infrared) dan
yuqori aniqlikdagi tasvirlarda 1200 DPI gacha (Samsung Galaxy S23 Ultra) farqlanadi, o‘rtacha
aniqlik esa 500-600 DPI sifatida qabul qilinadi. Metama’lumotlar, ya’ni subyektni yoshi, jinsi,
tasvir olish sharoitlari (yorug‘lik, namlik, harorat) kabi qo‘shimcha ma’lumotlar bazalar
foydaliligini oshiradi. Masalan, IITD bazasida qo‘l holati (ochiq/yopiq) va yorug‘lik darajasi qayd
etilgan, PolyU’da esa har bir tasvirni multispektral qatlami (RGB, IR) alohida belgilangan bo‘lib,
bu ma’lumotlar tadqiqot jarayonida qo‘shimcha imkoniyatlar yaratadi. Quyidagi jadvalda mashhur
kaft tasviri bazalari taqqoslangan bo‘lib, bunda ularni texnik xususiyatlari va qo‘llanilish sohalari
o‘rtasidagi farqlar aniq ko‘rsatilgan.
1-jadval.
Kaft tasviri bazalarini texnik xususiyatlari va qo‘llanilishi
Baza nomi
Subyekt
soni
Tasvir
soni
Aniqlik
Format
Texnologiya
Qo‘llanilishi
va
ko‘rsatayotgan
aniqligi
CASIA
Palmprint
312
5502
600 DPI
JPEG
Optik skaner
Tadqiqot
95%
IITD
Contactless
230
2600
500 DPI
BMP
2D kamera
Kontaktsiz
tadqiqot
90%
PolyU
Multispectral
500
6000+
500-600
DPI
PNG,
RAW
Multispektral
Ilmiy tadqiqot
98%
Tongji
Contactless
600
12,000
500 DPI
JPEG
Kontaktsiz
kamera
Katta hajmli
sinovlar
NEC Palm
Database
Maxfiy
~10,000+ 600 DPI
Maxfiy
Multispektral
Tijorat
xavfsizlik
99%
COEP
Palmprint
134
1072
300 DPI
JPEG
Optik skaner
Kichik sinovlar
Kaft tasviri bazalari bilan bog‘liq muammolar
Kaft tasviri bazalari keng qo‘llanilishiga qaramay, bir qator muammolar mavjud bo‘lib, ular
ma’lumotlar sifati, maxfiylik, standartlashtirish va texnik cheklovlar bilan bog‘liq. Ma’lumotlar
sifati masalasida shovqin muhim muammo sifatida ko‘rinadi, masalan, CASIA bazasida tasvirlarni
10% i yorug‘lik o‘zgarishi sababli past sifatli bo‘lib, bu algoritmlar samaradorligini 85% gacha
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
231
pasaytiradi. Shuningdek, past aniqlikdagi tasvirlar, xususan, 200 DPI’da yig‘ilgan tasvirlar (FLIR
Infrared) chuqur o‘qitishda 80% dan past natija beradi, PolyU’da esa sifat muammosi 5%
tasvirlarda kuzatilgan bo‘lib, bu tadqiqot natijalariga salbiy ta’sir ko‘rsatadi.
Maxfiylik va xavfsizlik masalalari ham jiddiy e’tibor talab qiladi. GDPR talablari ochiq
bazalardan foydalanishda muammolarni keltirib chiqaradi, masalan, IITD’da subyekt
ma’lumotlari ochiq qoldirilgan, bu esa ma’lumotlar oshkor bo‘lish xavfini oshiradi. Shu bilan
birga, soxtalashtirish xavfi ham mavjud, ya’ni NEC tadqiqotlariga ko‘ra, vena tasvirlari soxta
qo‘llar bilan 2% hollarda aldanishi mumkin, bu xavfsizlik tizimlari ishonchliligiga putur
yetkazadi. Standartlashtirish masalasida format farqlari muhim muammo sifatida ko‘rinadi, chunki
JPEG va RAW o‘rtasidagi moslashuvchanlik muammosi algoritmlarni integratsiyasini
murrakablashtiradi. Bundan tashqari, subyekt sonini kamligi, masalan, COEP kabi kichik
bazalarda (134 subyekt) umumiy natija uchun yetarli emas, bu esa tadqiqot natijalari
ishonchliligini pasaytiradi.
Texnik cheklovlar ham e’tibordan chetda qolmaydi. Katta hajmli bazalar, masalan, Tongji
(12,000 tasvir) 1 TB dan ortiq saqlash joyini talab qiladi, bu server xarajatlarini oshiradi va kichik
tadqiqot guruhlari uchun muammo tug‘diradi. Multispektral tasvirlar, xususan, PolyU bazasida
qayta ishlash uchun GPU resurslari talab qilinadi, bu esa resurslarga ega bo‘lmagan tadqiqotchilar
uchun muammo yaratadi. Ushbu muammolar kaft tasviri bazalarini kengroq qo‘llanilishiga
to‘sqinlik qiladi va kelajakda ularni hal qilish uchun yangi yondashuvlar talab qilinadi.
Yuqorida keltirib o‘tilgan muammolarga yechim sifatida sun’iy intellekt yordamida sintetik
bazalar yaratish, katta hajmli global bazalar tuzish, standartlashtirish masalasida ISO/IEC 19794-
9 ga mos formatlar ishlab chiqish texnologik optimallashtirish sifatida bulutli hisoblash orqali
qayta ishlashni tezkorlashtirish taklif etiladi. Tadqiqotchilar kelajakda kontaktsiz va multispektral
bazalarga e’tibor qaratishi, shuningdek, maxfiylik va sifat masalalarini hal qilishga qaratilgan
yangi algoritmlarni ishlab chiqishi tavsiya etiladi.
Xulosa.
Mazkur taqdqotda kaft tasviri bazalarini hozirgi holati tahlil qilindi hamda ularni
afzalliklari va kamchiliklari ko‘rib chiqildi. Tadqiqot natijalari shuni ko‘rsatadiki, mavjud bazalar
biometrik autentifikatsiya, shaxsni identifikatsiya qilish va ilmiy izlanishlar uchun muhim manba
bo‘lib xizmat qiladi. Shu bilan birga, ma’lumotlarni yangi to‘plamlarini yaratish, ularni hajmini
oshirish va sifatini yaxshilash zarurati mavjudligi, kelajakda kaft tasviri bazalarini turli
yo‘nalishlarda rivojlantirish va ularni sun’iy intellekt bilan bog‘lash yanada yaxshi natijalarga olib
kelishi ta’kidlandi.
Adabiyotlar ro‘yxati
1. Mamatov, N., Samijonov, A., Niyozmatova, N., Samijonov, B., Erejepov, K., & Jamalov,
O. (2023, August). Algorithm for Selecting Optimal Features in Face Recognition Systems.
In
2023 19th International Asian School-Seminar on Optimization Problems of Complex Systems
(OPCS)
(pp. 59-64). IEEE.
2. Mamatov, N. S., Abdukadirov, B. A., Samijonov, A. N., & Samijonov, B. N. (2021,
November). Method for false attack detection in face identification system. In
2021 International
Conference on Information Science and Communications Technologies (ICISCT)
(pp. 1-4). IEEE.
3. D. Zhang et al., “Palmprint Recognition Using Deep Learning,” IEEE Trans. Biometrics,
2020.
4. Маматов, Н. С., Кодиров, Э. С. Ў., & Нажмиддинов, А. С. Ў. (2024). Кафт тасвири
маълумотлар базалари ва уларни ўзаро қиёсий таҳлили.
Eurasian Journal of Academic
Research
,
4
(3-2), 180-189.
5. CASIA Palmprint Database, “Technical Documentation,” [Online]. Available:
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
232
6. GDPR, “Data Protection Regulation,” [Online]. Available: https://gdpr.eu, 2018.
7. HID Global, “Guardian Series Specs,” [Online]. Available: https://www.hidglobal.com,
2023.
8.Fujitsu, “PalmSecure Technology,” [Online]. Available: https://www.fujitsu.com, 2023.
9.Intel, “RealSense D435 Specs,” [Online]. Available: https://www.intel.com/realsense,
2023.
10.IITD Contactless Palmprint Database, “Documentation,” [Online]. Available:
http://www4.comp.polyu.edu.hk/~csajaykr/IITD/Database_Palm.htm, 2010.
11.PolyU Palmprint Database, “Multispectral Dataset,” [Online]. Available:
https://www.comp.polyu.edu.hk, 2020.
12.Tongji Contactless Palmprint Database, “Technical Report,” [Online]. Available:
https://www.tongji.edu.cn, 2018.
13.NEC
Corporation,
“Palm
Database
Overview,”
[Online].
Available:
МАТНЛИ МАЪЛУМОТЛАР БАЗАЛАРИ
Маматов Нарзулло Солиджонович
“ТИҚХММИ” Миллий тадқиқот университети профессор
Турғунова Нафисахон Махаммаджон қизи
“ТИҚХММИ” Миллий тадқиқот университети ассистенти
Маматов Абдували Абдувоҳид ўғли
“ТИҚХММИ” Миллий тадқиқот университети ассистенти
Аннотация:
Матнли маълумотлар базалари (ММБ) табиий тилдаги матнли
маълумотларни ўз ичига олган маълумотлар базаси, мураккаб ифодалар ва маъно
доирасини тушунишга қаратилган тизимларда қўлланилади. ММБ мураккаб тузилишга эга
бўлган ва структураланмаган матнлардан ташкил топади. Бунда матнларни тартибга солиш,
таҳлил қилиш ва керакли қисмларини ажратиб олиш махсус алгоритмик ёндашувларга
асосланади. Ушбу тадқиқотда мавжуд матнли маълумотлар базалари архитектураси,
фойдаланилган асосий моделлари ва маълумотларга ишлов бериш усуллари таҳлил
қилинган.
Калит сўзлар:
матнли маълумотлар базалари, табиий тилни қайта ишлаш, семантик
таҳлил, машинали ўқитиш, векторли модел.
ТЕКСТОВЫЕ БАЗЫ ДАННЫХ
Аннотация:
Текстовые базы данных (ТБД) — это базы данных, содержащие
текстовые данные на естественном языке, используемые в системах, нацеленных на
понимание сложных выражений и семантики. ММБ состоит из сложных
структурированных и неструктурированных текстов. В этом случае организация, анализ и
извлечение необходимых частей текстов осуществляется на основе специальных
алгоритмических подходов. В данном исследовании анализируется архитектура
существующих текстовых баз данных, основные используемые модели и методы обработки
данных.
Ключевые слова
: текстовые базы данных, обработка естественного языка,
семантический анализ, машинное обучение, векторная модель.
