ÖZYÜZ VE GÖRÜNTÜ ĠġLEME TEKNĠKLERĠ ĠLE SINIF YOKLAMA UYGULAMASI

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "ÖZYÜZ VE GÖRÜNTÜ ĠġLEME TEKNĠKLERĠ ĠLE SINIF YOKLAMA UYGULAMASI"

Transkript

1 ÖZEL EGE LĠSESĠ ÖZYÜZ VE GÖRÜNTÜ ĠġLEME TEKNĠKLERĠ ĠLE SINIF YOKLAMA UYGULAMASI HAZIRLAYAN ÖĞRENCĠLER: SILA AVAR- MEHMET MALLI DANIġMAN ÖĞRETMEN: SELVĠNAZ GÖKALP ĠZMĠR 2013

2 ĠÇĠNDEKĠLER 1. PROJENĠN AMACI DURUM YÖNTEM GERÇEKLEġTĠRME BĠLGĠSĠ SONUÇ ĠRDELEME KAYNAKÇA TEġEKKÜR

3 1. PROJENĠN AMACI Güncel teknolojiler, sınıfta gerçekleģtirilen rutin iģlemleri kolaylaģtırmak ve zaman kaybını önlemek için kullanılabilirler. Rutin olarak yapılan yoklama iģlemlerinde otomasyonun en hızlı ve en doğru sağlanabilme yöntemlerinden birisi, görüntü iģleme teknikleri ile sağlanabilmektedir. OGS/HGS gibi sistemler tarafından tercih nedeni olması da bunu göstermektedir. Hedeflenen, kamera görüntüsünün içinde bulunan yüzün, daha önce kaydedilen yüzlerle karģılaģtırılarak öğrencilerin tanınmasıdır. Tanınan öğrencilerin ders saatindeki yoklamaları bir kayıt dosyasında tutulur. Yazılım kolayca birden fazla sınıfı destekleyebilir. Bu sayede aynı sınıftaki bir sistem farklı derslerin yoklamasını rahatça alabilir. Bu iģlemi yapabilmek için projede, bir web kamerasından alınan görüntülerde, kameraya en yakın yüz bulunur. Bu yüze ait görüntü bilgisi değerleri öncelikle gri seviyeye çevrilir. Daha sonra histogram değerleri eģitlenerek daha önce kayıtlanmıģ görüntülerle ıģıklandırma farkları en aza indirilir. Sınıfa kayıtlı öğrencilerin daha sonra alınmıģ görüntüleri ile karģılaģtırıldıktan sonra, belli bir eģik değeri içinde, kayıtlı görüntülere en yakın öğrenci olarak tanınır. Öğrencilerin hepsi girdiğinde yazılım ders saati ve gününe ait yoklamayı, sınıf yoklama dosyasına ekler. Sınıf yoklama dosyası virgülle ayrılmıģ değerlerden oluģur. Bu sayede MS Excel gibi hesap tablosu yazılımları ile rahatça görüntülenebilir. 2. DURUM Sınıf yoklaması için gerekli olan en önemli bileģen yüzün kime ait olduğunun bulunmasıdır. Bu problem görüntü iģleme konuları içinde önemli bir yer tutmaktadır ve konuyla ilgili çeģitli yöntemler geliģtirilmiģtir [5]. Görüntüden kiģinin tanınmasında birçok zorluk karģımıza çıkmaktadır. Görüntüler iki boyutlu olduğu için kiģinin yüzünün kameraya iz düģümü her zaman aynı açılardan olmayacaktır. Ayrıca, ortamın ıģıklandırılması, yüzün üzerinde parlaklıklar ya da gölgeler oluģturup tanınmayı sağlayacak özellikleri kapatabilir. Diğer yandan kiģinin gülümseme gibi yüz mimikleri de yüzün tanınmasını engelleyebilir. Saçın uzaması, toplanması, gözlük takılması gibi günlük değiģiklikler de iģlemi zorlaģtıran etkiler olarak sayılabilir. Yüz ile kiģiyi tanımak için çeģitli yöntemler geliģtirilmiģtir. Kanade nin çalıģmasında yüzün, göz, burun gibi belirli 16 noktası bulunup, daha sonra bu noktalar arasındaki uzaklıkların oranlarına bakarak kiģinin tanınması %75 oranında mümkün olmuģtur [10]. Brunelli bu noktaları 35 e çıkartarak tanınma oranını %90 a çıkarmıģtır [3]. Bu yöntem ıģıklandırma, yön ve büyüklük gibi dıģ etkilere karģı dayanıklı olsa da, önemli noktaların yöntemi geliģtirilen kiģi tarafından rastgele seçilmektedir. Eğer seçilen özellikler belirleyici değilse yöntem baģarılı olamayacaktır. Çıkarılan özellikleri, yapay sinir ağları ve öğrenme algoritmaları ile de kullanmak mümkündür. Lawrence ev arkadaģlarının çalıģması melez bir yapay zeka çözümü ile %96.2 baģarım elde etmiģtir. Bu çözümde yerel görüntü örnekleme ile bir denetimsiz öğrenme yöntemi olan kendinden düzenlenen haritalar (self-organizing maps) sinir ağı ve evriģimli bir sinir ağı kullanılmıģtır [7]. BaĢka bir çalıģmada Eleyan ve Demirel temel bileģenler analizi metodu ile elde ettikleri özellik vektörlerini bir ileri beslemeli sinir ağı ile sınıflandırmıģlardır. Önyüz yönteminde kullanılan öklid uzaklığı yerine geçen sinir ağı, eski yönteme göre %7 lik bir baģarım artıģı sağlamıģtır [4]. 3

4 En sık kullanılan yöntemlerden biri de özyüzler olarak bilinen ve kiģilerin diğer kiģilerle aralarındaki farkı istatistiksel olarak tutan, temel bileģenler analizinin kullanıldığı yöntemdir. Bu yöntem, kullanım kolaylığı ve etkili çözümü ile tercih edilen çözüm olmuģtur. Yöntemler dıģında, projemizde gerçekleģtirdiğimiz çalıģmanın ticari muadilleri de mevcuttur. Bunlardan ilki BirleĢik Krallık taki okullarda kullanılan ve Sterlin değerinde olan faceregister yazılımıdır. Öğrenciler PIN numaralarını girdikten sonra yüzleri veritabanındaki ile karģılaģtırılır. Daha sonra öğrenci giriģ veya çıkıģ yaptığını belirtir [2]. Benzer bir ürün, cihazlarla herhangi bir temas gerektirmeden yüz ile tanımayı gerçekleģtirmektedir. Yüz tanıma için iki kamera ve kızıl ötesi ıģınları kullanmaktadır. Bu sayede baģarım oranını arttırmaktadır. Okul giriģlerine kurulan bu kamera sistemleri ile öğrenci ve okul görevlilerinin giriģ çıkıģlarını kayıt altına alabilmektedir [6]. 3. YÖNTEM ÇalıĢmamızda kullandığımız Özyüzler yöntemi anlatmadan önce kısaca istatistiksel altyapısına değinmekte fayda vardır [8]. Temel Ġstatistik Denklemleri Elimizde var olan sayısal değerlerin yapısını anlayabilmek için çeģitli yöntemler vardır. Bunlardan ilki, bu değerlerin ortalamasıdır. Bu ortalama değer bize sayısal değerler hakkında bir bilgi vermektedir. Ortalama bulmak için sayıların değerlerinin toplamı, sayı miktarına bölünerek bulunur. Her ne kadar ortalama bize bir fikir verse de, sayıların dağılımı hakkında bilgi vermez. Çünkü bütün değerleri aynı olan bir sayı kümesinin ortalama değeri farklı değerlerden oluģan baģka bir kümeye eģit olabilir. Sayıların ortalama değerden ne kadar dağıldığını görebilmek için standart sapma değeri kullanılır. Standart sapmayı bulmak için yapmak gereken dağılımdaki her değerin standart sapmaya olan uzaklıklarına bakılır. Standart sapmanın kare kökü alınmamıģ hali ise bize varyans değerini verir. Eğer elimizde bir gruba ait iki değer kümesi varsa, bu iki kümenin birbirleriyle olan bağıntılarını bulmak için kovaryans kullanabiliriz. Örnek olarak, öğrencilerin aldıkları notların olduğu küme ile sınava çalıģtıkları saatler arasındaki bağıntı sıfırdan büyük (pozitif) çıkacaktır. Çünkü çalıģma saatleri arttıkça alınan notlar da artacaktır. Eğer iki küme arasındaki kovaryans 4

5 değeri negatif çıkarsa bağıntıların ters olduğunu, yani biri artarken diğerinin azaldığını anlarız. Eğer kovaryans sıfır çıkarsa iki değer kümesi birbirleriyle bağıntısız kümelerdir deriz. Kovaryans hesaplamak için X ve Y dağılımlarımız olduğunu düģünelim. Ġki dağılımın arasındaki bağıntıları bulmak bu kadar kolay iken, eğer birden fazla dağılımımız, ya da boyutumuz varsa yapmamız gereken kovaryans matrisini kullanabiliriz. Bu matrisin her satır ve sütununa denk gelen dağılımların birbirleri arasındaki kovaryans değerlerini bularak büyük bir kovaryans matrisi oluģturabiliriz. Matrisin soldan sağa köģegenindeki değerler varyans değerlerini oluģturur. Bu matris aynı zamanda simetriktir, çünkü X ve Y dağılımlarının kovaryans değerleri, dağılımların yerleri değiģince değiģmez. Özvektör ve Özdeğerler Özvektörleri anlamadan önce matrislerin geometrik dönüģüm sağlayan özelliklerinden bahsetmeliyiz. Bir noktanın ya da vektörün, belirli bir kartezyen sisteminde bir açıyla döndürmek istersek bunu dönüģüm matrisleri ile yapabiliriz. Bir matrisin özvektörünü bulmak için, bu dönüģümlerden yola çıkarız. Eğer, matrisi bir dönüģüm matrisi olarak görürsek, bu dönüģüm matrisiyle dönüp, tekrar kendi üzerine gelen vektör, o matrisin özvektörüdür. DönüĢüm denklemlerimiz elimizde olduğu için bir vektörü tekrar kendi üzerine getirecek matrisi bulmak kolaydır. Fakat, burada bizim aradığımız, herhangi bir matris ile tam bir dönüģ sağlayacak bir vektördür. Matris ile dönüģ sonrasında, vektörün boyunda bir değiģiklik olabilir. Boyundaki değiģiklik, vektörün yönünü etkilemez. Bu değiģiklik oranı da, matrisin özdeğeridir. Matrislerin boyut sayısı kadar özvektör ve bu özvektörlere karģılık gelen özdeğerleri bulunur. Sayısal örnek vermek gerekirse, aģağıdaki matris iģlemine bakalım. ĠĢlemde en baģtaki matrisin, vektörle çarpıldığında, yine aynı vektörün 4 boyut büyüğünü elde ettiğimizi görürüz. Bu, vektörün, matrisin özvektörü olduğunu gösterir. Matrisin bu özvektöre ait özdeğeri ise 4 tür. Temel BileĢenler Analizi Temel bileģenler analizindeki (TBA) asıl amaç elimizdeki verinin boyutlarını oluģturan bileģenleri bulmaktır. Bu sayede verideki benzerlik ve farklılıkları elde edebiliriz. TBA ile bulunan 5

6 bileģenlerden bazılarının veri kümesine katkısına az olduğunu görürsek, o boyutu kullanmadan da verinin büyük kısmı hakkında hala fikir sahibi olabiliriz. Bu iģlem sayesinde veri boyutunu düģürmüģ veya kayıplı olarak sıkıģtırmıģ olduğumuzu söyleyebiliriz. Elbette, boyutu sildikten sonra özgün değerlere ulaģma Ģansımızı da kaybetmiģ oluyoruz. Temel bileģenler analizi için kullanacağımız verilerde ilk yapacağımız iģlem, veri boyutlarının her birinin ortalamasını bulmaktır. Daha sonra veri kümesindeki boyutun her değerinden bu ortalama değeri çıkartırız. Bu sayede her değerin ortalamadan ne kadar farklı olduğunu elde ederiz. Elde ettiğimiz bu yeni değerlere düzeltilmiģ değerler diyebiliriz. ġekil 1: Örnek iki boyutlu bir değer kümesinin MATLAB ile oluģturulmuģ temel bileģenleri. Bu iģlemden sonra, boyut sayımıza göre, kovaryans matrisimizi oluģtururuz. Bu kovaryans matrisine ait özvektör ve özdeğerleri buluruz. Buradan elde edeceğimiz vektör ve değer sayısı boyut sayısıyla aynı olacaktır. Özellik vektörlerimizi özvektörler arasından seçeceğiz. Eğer boyutu küçültüp, bazı vektörlerden ve dolayısı ile boyutlardan feragat etmek istersek, özdeğeri küçük olan özvektörleri seçmeyebiliriz. Son iģlem olarak, seçilen özellik vektörlerini düzeltilmiģ değerler ile çarparak, değerleri yalnızca bu seçilmiģ vektörler ile ifade etmiģ oluruz. Bir bakıma, veriyi aralarındaki iliģkiyi göz önüne alarak göstermiģ oluyoruz. 6

7 Görüntü ĠĢleme Yöntemleri Yüz tanıma çalıģmamızdaki görüntüleri temel bileģenleri kullanan özyüz yöntemine aktarmadan önce, bazı ön iģleme evrelerinden geçirerek, sonuçların daha iyi olmasını sağlayabiliriz [13]. Bu iģlemlerden ilki, kameraların aldığı renkli görüntüleri siyah beyaz görüntülere çevirmek iģlemidir. Bu iģlem sayesinde hem iģlenecek veri azalacaktır, hem de veri içerisindeki renklerden oluģacak özelliklerin yerine Ģekillerin önem kazanması sağlanacaktır. Görüntülerde kullanılan kırmızı-yeģil-mavi (RGB) katmanları, tek seviye olan gri ölçeğe çevrilir. Bunun için katmanların 0 ile 1 arasında değiģen normalize edilmiģ değerleri, ilgili denklem ile gri seviye değerlerine çevrilir. Kırmızı-yeĢil-mavi katmanları için elde edilen bu değerler ağırlıkları oranında toplanarak, gri seviye değerine ulaģılır. Gri seviye görüntü elde edildikten sonra, farklı ıģıklandırmalardan dolayı oluģacak sorunları gidermek için, görüntü histogram eģitleme iģleminden geçirilir. Histogram eģitleme gerçeklenirken hedeflenen, görüntü histogramının birikimli dağılım fonksiyonunu doğrusal hale getirmektir. Bu sayede görüntünün genel karģıtlık değeri artar. IĢığın katkıları bütün görüntülerde aynı seviyeye getirilmiģ olur. Görüntüye son uygulanan iģlem ise yeniden boyutlandırmadır. Bütün görüntülerin aynı boyutlarda olması gerekmektedir. Yeniden boyutlandırma yaparken de çeģitli yöntemler mevcuttur. Bu yöntemlerden biri en yakın ara değer hesaplamadır. Ara değer hesaplama; boyutlandırma sırasında oluģan yeni bir noktanın, var olan noktaların değerleri kullanılarak yaklaģık değerinin hesaplanmasıdır. Haar-benzeri Özellikler Kameradan alınan görüntülerde yalnızca bireyin yüzü olmayacaktır. Görüntü içinde yüzün bulunması da yapılması gereken ön iģleme adımlarından biridir. Bu iģlem için nesne tanımlama iģlemlerinde sık kullanılan, Haar dalgacıklarına benzerlikleri sebebiyle bu adı alan Haar-benzeri Özellikleri kullanılır. Viola ve Jones tarafından geliģtirilen bu yöntem, dikdörtgen bölgelerdeki piksel yoğunluklarını hesaplar ve komģu bölgeler ile aralarındaki farkları hesaplar. Bu fark görüntünün alt kısımlarını kategorize etmek için kullanılır. Örneğin insan yüzlerinde gözlerin olduğu bölge yanaklardan daha koyu olacaktır [12]. Haar-benzeri Özellikler hızlıca hesaplanabildikleri için, sık kullanılan nesneler için eğitilmiģ değerler, görüntü iģleme programlama kütüphaneleri tarafından sunulur. Özyüzler Matthew A. Turk ve Alex P. Pentland, 1991 yılında yayınladıkları Face Recognition Using Eigenfaces baģlıklı makale ile ilk kez özyüzler yöntemini kullanmıģlardır [11]. Yüz tanıma için daha önce kullanılan yöntemlerde yüz üzerinde bulunması gereken belirleyici noktalardan bahsetmiģtik. Bu noktaları yazılımı geliģtiren kiģi belirliyordu ve bu noktaların seçici olup olmaması önceden bilinemiyordu. Turk ve Pentland, denetimsiz bir öğrenme olan temel bileģenler analizini kullanarak, önemli noktaların çıkarılmasını uygulamaya bırakıyorlar. 7

8 Özyüzler için, temel bileģenler analizinde kullanılan vektörler yerine elimizde iki boyutlu görüntüler vardır. Bu görüntüleri tek boyutlu bir vektör haline getirip, her bireyin görüntüsünü ayrı bir değer kümesi olarak düģünebiliriz. Bu değerlere temel bileģen analizi iģlemlerini uygulayacağız. Her bireyin, gri ölçeğe aktarılmıģ, histogramı eģitlenmiģ ve yeniden boyutlandırılmıģ görüntülerini tek bir vektör haline getiriyoruz. Böylece m yüksekliğinde ve n geniģliğinde bir görüntü, (mn)x1 uzunluğunda bir vektör oluyor. Birey sayısı kadar vektörü birleģtirip, büyük bir görüntü matrisi elde ediyoruz. Bu matris, (mn) lik görüntülerden ve k kadar bireyden oluģuyorsa, boyutları (mn)x(k) oluyor. Bu büyük matrisin satırları görüntülere, kolonları da bireylere denk geliyor. ġekil 2: Örnek veritabanı görüntülerinin iki boyutlu matrislerinden tek boyutlu vektörlere getirilip, hepsinin tek bir matris altında toplanması. D matrisi (mn) satırdan ve k sütundan oluģmaktadır. Temel bileģenler analizi yönteminin adımlarına göre ortalama görüntü oluģturulup, her görüntü bu değerden çıkartılıyor. Elimizde böylece düzeltilmiģ görüntüler kalıyor. Bu adımdan sonra bu matrisin kovaryans matrisi hesaplanıyor. Bu kovaryans matrisinden birey sayısı kadar özdeğer ve özvektörleri hesaplanıyor. Bu değerler bizim özellik vektörlerimiz olacak. Eğer boyut sayısını düģürmek istersek özdeğeri belli bir değerin altındaki özvektörleri almayabiliriz. DüzeltilmiĢ görüntülerin olduğu matrisi, seçilen özvektörler ile çarptığımızda, bireylerin görüntü bilgilerini özvektörler ile temsil etmiģ oluyoruz. Bu görüntülere özyüzler deniyor. Özyüz değerlerini ilgili görüntülerle çarptığımızda da görüntülerin bu yeni uzaydaki izdüģümlerini elde ediyoruz. 8

9 Bu noktadan sonra amacımız, yeni gelen görüntülere de aynı iģlemleri uygulayıp, elde edilen değeri var olan görüntülerin değerleri ile karģılaģtırmak olacaktır. Yeni görüntünün izdüģümü hangi görüntüye daha yakınsa, bireyin o kiģi olarak tanındığını söyleyebiliriz. Buradaki yakınlık ölçütü ise iki vektörün öklid uzaklığıdır. Dikkat edilmesi gereken nokta, test edilecek her görüntünün en yakın olduğu bir görüntünün olacağıdır. Belli bir eģik değerinden daha uzak olan görüntüleri tanınmadı olarak belirleyebilmeliyiz. Bunun için görüntü kümesindeki bireylerden farklı görüntüler test edilip, bu değerlerden en yakın olanı eģik değeri olarak verilmektedir. Test edilmek için gelen görüntülerin, bireylerin görüntülerine en yakın değeri bu eģik değerinden daha yakın olunca tanındığını kabul edebiliriz. 4. GERÇEKLEġTĠRME BĠLGĠSĠ Programlama Ortamı ve Kütüphaneler Özyüzler yazılımını gerçeklemek için görüntüleri iģleyebilecek, matrislerin kovaryanslarını, özvektör ve özdeğerlerini hesaplayabilecek bir kütüphaneye ihtiyaç duyulmaktadır. Bu iģlemler için, özgür olarak geliģtirilen OpenCV kütüphanesini kullandık [9]. Bu kütüphane C/C++ programlama dilleri ile çalıģmaktadır. Bu yüzden geri kalan iģlemleri de C++ ile gerçekledik. OpenCV gerek görüntü iģleme yöntemlerinde, gerek matris iģlemlerinde kolaylık sağlamaktadır. Her ne kadar OpenCV ile birlikte bir temel bileģenler analizi metodu gelse de, bu adımlar, özyüzlerin daha özel yapısı sebebiyle adım adım gerçeklenmiģtir. C++ ile birlikte gelen standart Ģablon kütüphanesinden (STL) vector Ģablonu, dizi iģlemlerini kolaylaģtırmak için kullanılmıģtır. Programın AkıĢı Yazılımda görüntü iģleme iģlemleri dıģında, bir yazılım ile kullanıcıya da programı kontrol etme imkanı verilmiģtir. Program baģladığında kullanıcıyı üç seçenek ile karģılamaktadır. Bunlardan ilki, daha sık kullanılacağını düģündüğümüz, Var olan sınıfı aç seçeneğidir. Bu seçenek, sınıfta her gün kullanılacak olan yüz tanıma iģlemini yapacaktır. Burada birden fazla sınıfı desteklediğimiz için, bu seçeneğin ardından var olan sınıfları listelenecek ve ilgili sınıf seçildiğinde o sınıfın görüntüleri hafızaya alınacaktır. ġekil 3: Programın ana menüsü. 9

10 Yazılım ozyuzdb.txt dosyasında sınıfların isimlerini tutmaktadır. Her sınıfın adı bir satırda yer alacak Ģekilde kaydedilmektedir. Bu sınıfların isimleri ile aynı dosyalarda da sınıflardaki öğrencilerin isimleri yer almaktadır. Her öğrenci yalnızca adıyla kaydedilmiģtir. Her öğrenciye ait beģ görüntü bulunmaktadır. Bu görüntüler programın çalıģtığı data dizininde öğrencinin adına sınıf adı ön eki ve görüntü numarası son ekiyle kaydedilmiģtir. Örneğin A1 sınıfındaki Ahmet isimli bir öğrenci, A1.Ahmet1.png dosya adı ile bu dizinde yer almaktadır. Bu görüntüler, tekrar yüz bulma, histogram eģitleme, gri ölçeğe alma iģlemleri yapılmaması için ön iģleme adımları tamamlanmıģ halde kaydedilmiģlerdir. ġekil 4: Yeni bir öğrencinin kaydedilmesi. Görüntü içinde bulunan yüz, sarı bir kare içine alınmaktadır. BelirlenmiĢ p tuģuna basıldığında görüntü ön iģleme adımlarından geçirilip kaydedilecektir. Var olan sınıf açıldığında, sınıfa ait dosyadan öğrencilerin adları okunur. Sınıf adı ve öğrenci adı kullanılarak, öğrenciye ait beģ adet görüntü kayıtlı dizinden okunur. Bu görüntüler ile sınıftaki öğrencilere ait görüntü matrisi oluģturulur. Daha sonra özyüz iģlemleri gerçekleģtirilir. Özyüzler ile test görüntüleri çalıģtırılıp en az eģik değeri hesaplanır. Daha sonra yazılım kamerayı çalıģtırıp, kameradan gelen her görüntüde yüzü Haar-benzeri özellikler ile bulur, özyüzlerle test eder ve görüntülerden en yakın olanını bulur. Bulduğu uzaklık eģik değerinden küçükse bulduğu öğrenciyi ekrana yazar ve bir daha o öğrenciyi saymaz. Bütün öğrenciler tanındıktan sonra bu iģlem durdurulur, ekrana ve dosyaya yoklama yazdırılır. Yoklama dosyası tarih ve her öğrencinin yoklama bilgisi ile güncellenir. Olmayan öğrenciler için sıfır (0), olan öğrenciler için de bir (1) değeri yazılır. Bu dosyadaki değerler virgülle ayrılır. Bu sayede MS Excel gibi hesap tablo yazılımlarına rahatça aktarılır. 10

11 Yeni bir sınıf yaratmak istendiğinde, iģleme sınıf adı girilerek baģlanır. Eğer bu isimde bir sınıf yoksa öğrenci isimleri girmeye baģlanır. Öğrenci adı girilince öğrencinin beģ adet görüntüsü çekilir ve bu görüntüler ilgili dizine kaydedilir. Öğrenci adı da sınıf dosyasına kaydedilir. ĠĢlem bitince bu sınıf yüklenir ve tanıma iģlemi baģlar. Yazılımın Gerçeklenmesi OpenCV kütüphanesi kameradan görüntü almayı CvCapture sınıfından bir değiģken ile sağlamaktadır. Bununla birlikte, kamera görüntülerinde Haar-benzeri özellikler ile yüzlerin yerini belirleyebilmek için Haar sınıflandırıcı sınıfı olan CascadeClassifier sınıfından bir değiģken yaratılmalıdır. Tam sayı değiģkenlerini metine çeviren yardımcı bir fonksiyon yazılmıģtır. Bu fonksiyon verilen tam sayı (int) değiģkeni metin (string) olarak döndürmektedir. Bu iģlem için C++ ın stringstream yapıları kullanılmıģtır. Günlük sonuçları virgülle ayrılan dosyaya kaydederken günü ve dersin saatini sabah ve öğle olarak belirten bir yardımcı fonksiyon yazılmıģtır. Bu fonksiyon metin olarak o anki tarihi gün, ay, yıl ve sabah, öğle olarak döndürmektedir. Programın baģlangıç noktası olan main fonksiyonunda, program akıģında belirtilen menüden önce kamera ve sınıflandırma değiģkenleri ilklendirilir. Daha sonra menü tercihine göre ilgili fonksiyonlar çağırılır. Yeni sınıf oluģturulurken kullanıcıdan ilk olarak sınıf ismi istenir. Bu dosyanın varlığı kontrol edildikten sonra dosya yazmak için açılır. Kullanıcı x değerini girene kadar öğrenci isimlerinin girilmesi istenir. Öğrenci ismi girildikten sonra OpenCV ile kameradan görüntüler alınmaya baģlanır. Kameradan alınan her karede sınıflandırıcı ile en büyük yüz aranır. Eğer bulunursa klavyeden beģ milisaniye boyunca girdi beklenir. Bu sırada belirlenen p tuģuna basılırsa görüntü sınıf adı, öğrenci adı ve resim numarası ile dizine kaydedilir. Bir sonraki görüntü için iģlem tekrarlanır. BeĢ görüntü de alındıktan sonra sıradaki kullanıcıya geçilir. Sınıf bilgileri yüklenirken sınıftaki öğrencilerin yer aldığı dosya açılır ve içinden öğrencilerin isimleri okutulup bir metin vektörüne (STL vector sınıfı) atılır. Aynı zamanda her öğrenci ismi için bir yoklama vektörü açılır ve ilk değerleri sıfır (0) verilir. Sınıf ve öğrenci ismi kullanılarak her öğrencinin beģ adet görüntüsü okunur ve OpenCV nin matrisi olan Mat tipi değiģkene kaydedilir. Kaydedilmeden önce, OpenCV nin reshape metodu ile görüntü iki boyuttan tek boyutlu vektör haline dönüģtürülür. Bütün görüntüler okunduktan sonra her satır için ortalama değer bulunur ve bu değer her sütundaki pikselden çıkartılıp düzeltilmiģ görüntüler elde edilir. Ortalama değerlerden de bütün sınıfın öğrencilerinden oluģan ortalama görüntü elde edilir. Kovaryans matrisi ve bu matrise ait özvektör ve özdeğerler, OpenCV nin eigen fonksiyonu ile elde edilir. Elde edilen özdeğerler normalize edilir. Normalize iģlemi, özdeğerlerin toplamını alıp, her özdeğeri bu toplam değerine bölerek elde edilir. Özvektörlerin seçiminde, özdeğerlere bakılır. Normalize özdeğeri ten büyük olan özvektörler özellik vektörlerimiz olarak kaydedilir. Bu özellik vektörlerinden özyüzler hesaplanır ve özyüzler kullanılarak her bireyin boyuttaki izdüģüm görüntüleri hesaplanır. 11

12 Bu izdüģüm görüntüleri elde edildikten sonra tanıma eģik değerini hesaplamak için kontrol görüntüleri ile öklid uzaklıkları hesaplanır. Kontrol görüntülerindeki en küçük değer, eģik değeri olarak alınır. Sınıf görüntüleri ve eģik değeri hazır olduktan sonra kameradan görüntüler alınmaya baģlanır. Görüntüleri kaydetme ekranında olduğu gibi kameradan gelen görüntülerde yüzler Haar sınıflandırıcı ile bulunur. Görüntü gri ölçekli hale getirilir, histogramı eģitlendirilir ve yeniden boyutlandırılır. Elde edilmiģ bu görüntü, test ve sınıf görüntülerinde yapıldığı gibi iki boyutlu matristen, tek boyutlu vektöre çevrilir. Daha sonra sınıf görüntülerinin ortalamasından çıkartılır. Bu fark görüntüsü özyüzlerle çarpılıp özyüz boyutlarındaki izdüģümü elde edilir. Bu izdüģüm, kayıtlı görüntülerin izdüģümleri ile karģılaģtırılıp, aralarından en yakın öklid uzaklığı olan öğrenciyle eģlenir. Eğer bu öğrencinin görüntüsüyle olan uzaklık eģik değerinden düģükse, görüntünün o öğrenciye ait olduğunu söyleriz. Öğrenciye ait indis numarasını alınır, yoklama vektörünü de bu indis sayesinde güncellenir. Bütün sınıf bittikten sonra, belirlenen q tuģu ile sınıf yoklaması ekrana ve sınıf adıyla yoklama son eki isimli dosyaya eklenir. 5. SONUÇ Yazılım geliģtirilmesi sırasında dört öğrenciye kadar tam sonuç verse de, özyüzlerin performansını test etmek için AT&T Laboratuvarlarının The Database of Faces veritabanı kullanılmıģtır [1]. Bu veritabanında kırk bireye ait onar görüntü bulunmaktadır. Bu görüntülerden bir tanesi test, diğerleri de özyüzler için kullanılmıģtır. Yazılım kırk adet test görüntüsünde %92.5 luk baģarım elde etmiģtir. 40 kiģi içinden bir bireyi yanlıģ tanımıģ, diğer iki kiģiyi eģleģtirememiģtir. Test veritabanı iģlenirken, 360 adet özvektör içerisinden veriyi en iyi gösteren 25 özvektör seçilmiģtir. Bu sayede sınıfa ait bilgi yaklaģık olarak %7 sine kadar düģürülmüģtür. 6. ĠRDELEME Deney sonucunda yüksek baģarım ile etkili bir yüz tanıma sistemi elde edilmiģ ve bu sistem sınıf yoklaması olarak gerçeklenmiģtir. Yazılım Windows iģletim sisteminde geliģtirilmiģ olsa da, kullanılan kütüphanelerin diğer platformlarda olması sebebiyle Linux ve MacOS iģletim sistemlerinde de sorunsuz çalıģtığı gözlenmiģtir. Ġhtiyacı olan kameranın belli bir özelliği yoktur, kullanıcı tipi bir web kamerası ile iģlemlerini gerçekleģtirmiģtir. Kullanılan yöntem, gerçekleme kolaylığı, hızı ve boyut indirgeme özelliği sayesinde etkili bir çözüm sunmaktadır. Ön iģleme adımları ile ıģıklandırma gibi sorunların üzerinden gelinmiģ olsa da, yoklamanın yapılacağı alanda çekimlerin yapılması doğru cevap oranını arttırmaktadır. EĢik değeri hesaplama kısmı içerdiği belirsizlikten dolayı en zor kısımlardan biridir. EĢik değerinin en önemli özelliği, kameradan alınan görüntüde Haar sınıflandırıcısının bazen arkaplandaki ıģık oyunlarına yenik düģerek yanlıģ görüntüler iletmesidir. Yüz olmayan bu görüntülerin herhangi bir kiģi olarak tanınması programın yanlıģ sayısını arttırmaktadır. Diğer yandan, eģik değeri olmazsa, sınıfta olmayan birinin, sınıfta kayıtlı olan kiģilere en çok benzeyen olarak belirlenmesi hatası ile karģılaģırız. Bu iki durumu da eģik değeri ile kontrol edebilsek de, eģik değeri için bir denkleme dayalı çözüm yoktur. Bu yüzden sınıfta bulunmayan görüntüler ile 12

13 test edip, eģik değerini bu değerlerin en küçüğü olarak ayarladık. Bu durum ise bize, test çalıģmamızda da görüleceği üzere, veritabanındaki kiģilerin tanınmaması olarak geri döndü. Hassas olan bu noktayı iyi ayarlamak için farklı görüntüler ile test yapılabilir. KAYNAKÇA [1] AT&T Laboratories Cambridge, The Database of Faces, [2] Aurora, The Face of Biometrics, 14 Ocak 2013 tarihinde eriģildi. [3] Brunelli, R., Poggio, T., Face recognition: features versus templates. IEEE Transactions on Pattern Analysis and Machine Intelligence 15, [4] Eleyan, A., Demirel, H., Face Recognition System Based on PCA and Feedforward Neural Networks, in: Cabestany, J., Prieto, A., Sandoval, F. (Eds.), Computational Intelligence and Bioinspired Systems, Lecture Notes in Computer Science. Springer Berlin Heidelberg, pp [5] Jafri, R., Arabnia, H.R., n.d. A Survey of Face Recognition Techniques. [6] Kimaldi, School Time&Attendance control using face recognition terminals, _face_recognition_terminals, 14 Ocak 2013 tarihinde eriģildi. [7] Lawrence, S., Giles, C.L., Tsoi, A.C., Back, A.D., Face recognition: a convolutional neural-network approach. IEEE Transactions on Neural Networks 8, [8] Lindsay I. Smith, A tutorial on Principal Components Analysis, University of Otago, New Zealand [9] OpenCV, Open Source Computer Vision, [10] Takeo Kanade, Picture Processing System by Computer Complex and Recognition of Human Faces, doctoral dissertation, Kyoto University, November, 1973 [11] Turk, M.A., Pentland, A.P., Face recognition using eigenfaces, in:, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Proceedings CVPR 91. Presented at the, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Proceedings CVPR 91, pp [12] Viola, P., Jones, M., Rapid object detection using a boosted cascade of simple features, in: Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR Presented at the Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2001, pp. I 511 I 518 vol.1. [13] Gonzalez, R. C., Woods, R.E., Digital Image Processing, Prentice Hall,

14 TEġEKKÜR Proje çalıģmamızın yönlendirilmesi ve sonuçlandırılmasında büyük emeği geçen Ege Üniversitesi, Uluslararası Bilgisayar Enstitüsü, Öğretim Görevlisi, Kaya OĞUZ a, proje danıģmanımız Selvinaz GÖKALP ve Bilim Kurulu EĢ BaĢkanı (Matematik) Dr. Gizem GÜNEL e, bugüne dek yetiģmemizde katkısı olan değerli öğretmenlerimize, her zaman yanımda olan ve bizleri destekleyen, yüreklendiren ailelerimize teģekkür ederiz. 14

NAPOLEON PROBLEMİNE FARKLI BİR BAKIŞ

NAPOLEON PROBLEMİNE FARKLI BİR BAKIŞ ÖZEL EGE LİSESİ NAPOLEON PROBLEMİNE FARKLI BİR BAKIŞ HAZIRLAYAN ÖĞRENCİLER: Fatma Gizem DEMİRCİ Hasan Atakan İŞBİLİR DANIŞMAN ÖĞRETMEN: Gülşah ARACIOĞLU İZMİR 2013 İÇİNDEKİLER 1. PROJENİN AMACI... 3 2.

Detaylı

AMAÇ Araçlardaki Kamera Sistemleri

AMAÇ Araçlardaki Kamera Sistemleri SUNU PLANI AMAÇ OPEN CV GÖRÜNTÜ EŞİKLEME KENAR BULMA ŞEKİL BULMA GÖRÜNTÜ GENİŞLETME VE BOZMA GÖRÜNTÜ DOLDURMA AFFİNE DÖNÜŞÜMÜ PERSPEKTİF DÖNÜŞÜM KUŞ BAKIŞI GÖRÜNTÜ DÖNÜŞÜMÜ AMAÇ Araçlardaki Kamera Sistemleri

Detaylı

Program AkıĢ Kontrol Yapıları

Program AkıĢ Kontrol Yapıları C PROGRAMLAMA Program AkıĢ Kontrol Yapıları Normal Ģartlarda C dilinde bir programın çalıģması, komutların yukarıdan aģağıya doğru ve sırasıyla iģletilmesiyle gerçekleģtirilir. Ancak bazen problemin çözümü,

Detaylı

İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar

İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar KSÜ Mühendislik Bilimleri Dergisi, 12(1), 2009 6 KSU Journal of Engineering Sciences, 12 (1), 2009 İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar

Detaylı

TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ

TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ MALİYE SGB..net TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ 1 Taşınır Mal Yönetimi Taşınır Mal Yönetimi ile ilgili işlemlere Kaynak Yönetimi menüsü altındaki Taşınır Mal alt menüsünden ulaşıyoruz. Bu menünün seçenekleri

Detaylı

ÖLÇME VE DEĞERLENDĠRME (3)

ÖLÇME VE DEĞERLENDĠRME (3) ÖLÇME VE DEĞERLENDĠRME (3) ÖLÇME SONUÇLARI ÜZERĠNDE ĠSTATĠSTĠKSEL ĠġLEMLER VERĠLERĠN DÜZENLENMESĠ -Herhangi bir test uygulamasından önce verilerin düzenlenmesi için önce bütün puanların büyüklüklerine

Detaylı

HESAP TABLOSU PROGRAMLARI

HESAP TABLOSU PROGRAMLARI HESAP TABLOSU PROGRAMLARI BĠLGĠSAYAR ORTAMINDA YARATILAN ELEKTRONĠK ÇALIġMA SAYFALARI 1 HESAP TABLOSU PPROGRAMLARI Lotus 1-2-3 Quattro Pro MS Excel Girilen veriler, tablolar halinde düzenlenerek iģlem

Detaylı

İRİSTEN KİMLİK TANIMA SİSTEMİ

İRİSTEN KİMLİK TANIMA SİSTEMİ ÖZEL EGE LİSESİ İRİSTEN KİMLİK TANIMA SİSTEMİ HAZIRLAYAN ÖĞRENCİLER: Ceren KÖKTÜRK Ece AYTAN DANIŞMAN ÖĞRETMEN: A.Ruhşah ERDUYGUN 2006 İZMİR AMAÇ Bu çalışma ile, güvenlik amacıyla kullanılabilecek bir

Detaylı

GRAFĠKLER. WORD PROGRAMI KULLANARAK GRAFĠK OLUġTURMA EĞĠTĠCĠ KILAVUZU. HAZIRLAYAN Mehmet KUZU

GRAFĠKLER. WORD PROGRAMI KULLANARAK GRAFĠK OLUġTURMA EĞĠTĠCĠ KILAVUZU. HAZIRLAYAN Mehmet KUZU GRAFĠKLER WORD PROGRAMI KULLANARAK GRAFĠK OLUġTURMA EĞĠTĠCĠ KILAVUZU HAZIRLAYAN Mehmet KUZU GRAFİKLER GRAFİKLER Grafik Nedir? Grafik nasıl oluģturulur? Word de ne tür grafikler oluģturulur? Derse giriş

Detaylı

YAPAY SİNİR AĞI İLE HAVA SICAKLIĞI TAHMİNİ APPROXIMATION AIR TEMPERATURE WITH ARTIFICIAL NEURAL NETWORK

YAPAY SİNİR AĞI İLE HAVA SICAKLIĞI TAHMİNİ APPROXIMATION AIR TEMPERATURE WITH ARTIFICIAL NEURAL NETWORK YAPAY SİNİR AĞI İLE HAVA SICAKLIĞI TAHMİNİ Hande ERKAYMAZ, Ömer YAŞAR Karabük Üniversitesi / TÜRKĠYE herkaymaz@karabuk.edu.tr ÖZET : Bu çalıģmada Yapay Sinir Ağları (YSA) ile hava sıcaklığının tahmini

Detaylı

İçindekiler Hitit Sayım Cihazı Kurulum ve Kullanım Kılavuzu... 2 Sayım Cihazı Kurulum İşlemleri... 2 Hitit Kurulum işlemleri...

İçindekiler Hitit Sayım Cihazı Kurulum ve Kullanım Kılavuzu... 2 Sayım Cihazı Kurulum İşlemleri... 2 Hitit Kurulum işlemleri... 1 İçindekiler Hitit Sayım Cihazı Kurulum ve Kullanım Kılavuzu... 2 Sayım Cihazı Kurulum İşlemleri... 2 Hitit Kurulum işlemleri... 5 Cihazdan Sayım İşlemleri... 8 Sayım Dosyasının Hitit e Okutulması...

Detaylı

ÖĞRENME FAALĠYETĠ 3 ÖĞRENME FAALĠYETĠ 3

ÖĞRENME FAALĠYETĠ 3 ÖĞRENME FAALĠYETĠ 3 ÖĞRENME FAALĠYETĠ 3 AMAÇ ÖĞRENME FAALĠYETĠ 3 Bu öğrenme faaliyetiyle elektronik posta hesabınızı, e-posta yönetim yazılımlarını kullanarak yönetmeyi öğrenebileceksiniz. ARAġTIRMA Ġnternet ortamında e-posta

Detaylı

Öğrenci İşleri Bilgi Sistemi Öğretim Elemanı - Sınav Sonuç Giriş İşlemleri

Öğrenci İşleri Bilgi Sistemi Öğretim Elemanı - Sınav Sonuç Giriş İşlemleri Öğrenci İşleri Bilgi Sistemi Öğretim Elemanı - Sınav Sonuç Giriş İşlemleri Öğrenci İşleri Bilgi Sisteminde, Öğretim Elemanı yetkisi kapsamında aşağıdaki ekran (Ekran 1) açılır. Bu belgede genel kullanım

Detaylı

T.C. SAKARYA ÜNİVERSİTESİ ADAPAZARI MESLEK YÜKSEKOKULU WEB TABANLI VERİ TABANI UYGULAMASI YÖNLENDİRİLMİŞ ÇALIŞMA. Enes Al 1027.

T.C. SAKARYA ÜNİVERSİTESİ ADAPAZARI MESLEK YÜKSEKOKULU WEB TABANLI VERİ TABANI UYGULAMASI YÖNLENDİRİLMİŞ ÇALIŞMA. Enes Al 1027. T.C. SAKARYA ÜNİVERSİTESİ ADAPAZARI MESLEK YÜKSEKOKULU WEB TABANLI VERİ TABANI UYGULAMASI YÖNLENDİRİLMİŞ ÇALIŞMA Enes Al 1027.32121 BİLGİSAYAR PROGRAMCILIĞI DANIŞMAN: ÖĞR. GÖR. FERDA BOZKURT TEMMUZ 2012

Detaylı

NCTS UYGULAMASI YÜKÜMLÜ KULLANICI KILAVUZU RİSK YÖNETİMİ VE KONTROL GENEL MÜDÜRLÜĞÜ

NCTS UYGULAMASI YÜKÜMLÜ KULLANICI KILAVUZU RİSK YÖNETİMİ VE KONTROL GENEL MÜDÜRLÜĞÜ 2011 NCTS UYGULAMASI YÜKÜMLÜ KULLANICI KILAVUZU RİSK YÖNETİMİ VE KONTROL GENEL MÜDÜRLÜĞÜ ELEKTRONİK GÜMRÜK İŞLEMLERİ DAİRESİ HAREKET GÜMRÜK İDARESİNDE YÜKÜMLÜ TARAFINDAN TRANSİT BEYANNAMESİ DOLDURULMASI

Detaylı

Kanonik Korelasyon Analizi ile Düşük Çözünürlüklü Görüntülerden Yüz Tanıma

Kanonik Korelasyon Analizi ile Düşük Çözünürlüklü Görüntülerden Yüz Tanıma Kanonik Korelasyon Analizi ile Düşük Çözünürlüklü Görüntülerden Yüz Tanıma Face Recognition from Low Resolution Images Using Canonical Correlation Analysis B. Şen 1 and Y. Özkazanç 2 1 Karel Elektronik,

Detaylı

1. MİCROSOFT EXCEL 2010 A GİRİŞ

1. MİCROSOFT EXCEL 2010 A GİRİŞ 1. MİCROSOFT EXCEL 2010 A GİRİŞ 1.1. Microsoft Excel Penceresi ve Temel Kavramlar Excel, Microsoft firması tarafından yazılmış elektronik hesaplama, tablolama ve grafik programıdır. Excel de çalışılan

Detaylı

Eğer Veri Çözümleme paketi Araçlar menüsünde görünmüyor ise yüklenmesi gerekir.

Eğer Veri Çözümleme paketi Araçlar menüsünde görünmüyor ise yüklenmesi gerekir. Bölüm BİLGİSAYAR DESTEKLİ İSTATİSTİK EXCEL DESTEKLİ İSTATİSTİK Excel de istatistik hesaplar; Genel Yöntem ve Excel Ġçerikli Çözümler olmak üzere iki esasa dayanabilir. Genel Yöntem; Excel in matematiksel

Detaylı

MEDULA Sistemi E-Fatura Gönderme

MEDULA Sistemi E-Fatura Gönderme Versiyon : 1.00 Yayınlama Tarihi : 16.09.2007 23:00 Sayfa Aralığı : 1-19 MEDULA Sistemi E-Fatura Gönderme MEDULA Sistemi ile E-Fatura gönderme işleminde ilk adım gönderilecek faturaların GSS** icmallerinin

Detaylı

Prof.Dr. ÜNAL ERKAN MUMCUOĞLU. merkan@metu.edu.tr

Prof.Dr. ÜNAL ERKAN MUMCUOĞLU. merkan@metu.edu.tr Ders Bilgisi Ders Kodu 9060528 Ders Bölüm 1 Ders Başlığı BİLİŞİM SİSTEMLERİ İÇİN MATEMATİĞİN TEMELLERİ Ders Kredisi 3 ECTS 8.0 Katalog Tanımı Ön koşullar Ders saati Bu dersin amacı altyapısı teknik olmayan

Detaylı

İÇİNDEKİLER İÇİNDEKİLER KODLAB

İÇİNDEKİLER İÇİNDEKİLER KODLAB İÇİNDEKİLER IX İÇİNDEKİLER 1 GİRİŞ 1 Kitabın Amacı 1 Algoritmanın Önemi 2 Bilgisayarın Doğuşu ve Kullanım Amaçları 3 Programlama Dili Nedir? 3 Entegre Geliştirme Ortamı (IDE) Nedir? 4 2 ALGORİTMA VE AKIŞ

Detaylı

Görüntü İşlemeye Giriş Introduction to Image Processing. Doç. Dr. Aybars UĞUR

Görüntü İşlemeye Giriş Introduction to Image Processing. Doç. Dr. Aybars UĞUR Görüntü İşlemeye Giriş Introduction to Image Processing Doç. Dr. Aybars UĞUR 2013 1 İçerik Görüntü ve Piksel Görüntü Türleri Görüntü İşleme Görüntü İşlemenin Amaçları Görüntü İyileştirme Görüntü Analizi

Detaylı

GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI ÖZET ABSTRACT

GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI ÖZET ABSTRACT GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI Hüseyin GÜNEŞ 1, Alper BURMABIYIK 2, Semih KELEŞ 3, Davut AKDAŞ 4 1 hgunes@balikesir.edu.tr Balıkesir

Detaylı

MapCodeX MapLand Kullanım Kılavuzu

MapCodeX MapLand Kullanım Kılavuzu MapCodeX MapLand Kullanım Kılavuzu Versiyon Numarası: 1.0 ------------------------------- Kullanım Kılavuzu 2015 info@ www. MapCodeX MapLand İşlem Araçları Çalışma Dosyası Aç Haritanın ve son çalışma dosyasının

Detaylı

Hukuk Parter ile SMS Yönetimi

Hukuk Parter ile SMS Yönetimi Hukuk Parter ile SMS Yönetimi Hukuk Partner ile SMS Yönetimi İÇİNDEKİLER Hukuk Partner ile SMS Yönetimi... 3 SMS Gönderimi ile ilgili Tanımlamalar... 3 SMS Gönderimine ilişkin yetkiler... 3 SMS Hesabı

Detaylı

EXCEL 2007 DERS NOTLARI. Office düğmesi Hızlı EriĢim Çubuğu BaĢlık Çubuğu Formül Çubuğu

EXCEL 2007 DERS NOTLARI. Office düğmesi Hızlı EriĢim Çubuğu BaĢlık Çubuğu Formül Çubuğu EXCEL 2007 DERS NOTLARI Excel bir hesap tablosu programıdır. Excel programı, her türlü veriyi tablolar ya da listeler halinde tutar ve bu verilerle ihtiyaç duyacağınız tüm hesaplamaları ve analizleri yapma

Detaylı

AKINSOFT. Eofis NetworkAdmin. AKINSOFT EOfis NetworkAdmin Kurulumu Bilgi Notu. Doküman Versiyon : 1.01.01 Tarih : 10.01.2008. Copyright 2008 AKINSOFT

AKINSOFT. Eofis NetworkAdmin. AKINSOFT EOfis NetworkAdmin Kurulumu Bilgi Notu. Doküman Versiyon : 1.01.01 Tarih : 10.01.2008. Copyright 2008 AKINSOFT AKINSOFT EOfis NetworkAdmin Kurulumu Bilgi Notu Doküman Versiyon : 1.01.01 Tarih : 10.01.2008 1 - Çalışma Şekli Hakkında Kısa Bilgi modülü kısaca aşağıdaki işlemleri yapar. Bu özelliklerin çalışabilmesi

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE

Detaylı

RapKon 2.0 Kullanım Kılavuzu

RapKon 2.0 Kullanım Kılavuzu RapKon 2.0 Kullanım Kılavuzu ĠÇĠNDEKĠLER RAPKON 2.0... 1 ĠÇĠNDEKĠLER... 2 RAPKON KULLANIM KILAVUZU... 4 GĠRĠġ... 4 I. DÖNEM... 6 1.1. AYLIK DÖNEM SEÇME... 6 1.2. HAFTALIK DÖNEM SEÇME... 7 1.3. GÜNLÜK DÖNEM

Detaylı

13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz

13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz 13 Aralık 2007 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Raporlar KULLANICI TANIMLI RAPORLAR Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz Kendi isteklerinize özel rapor tasarımları

Detaylı

PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU

PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU ŞUBAT - 2014 PERSONEL ÖDEMELERİ UYGULAMA GELİŞTİRME VE DESTEK ŞUBESİ 1 İçindekiler GİRİŞ......3 1. HARCAMA BİRİMLERİNCE YAPILACAK İŞLEMLER..3 1.1.

Detaylı

MTM 305 MĠKROĠġLEMCĠLER

MTM 305 MĠKROĠġLEMCĠLER KARABÜK ÜNĠVERSĠTESĠ TEKNOLOJĠ FAKÜLTESĠ MEKATRONĠK MÜHENDĠSLĠĞĠ BÖLÜMÜ MTM 305 MĠKROĠġLEMCĠLER ArĢ. Gör. Emel SOYLU ArĢ. Gör. Kadriye ÖZ Assembly Dili Assembly programlama dili, kullanılan bilgisayar

Detaylı

ÇED ve Planlama Genel Müdürlüğü Veri Tabanı (ÇED Veri Tabanı)

ÇED ve Planlama Genel Müdürlüğü Veri Tabanı (ÇED Veri Tabanı) ÇED ve Planlama Genel Müdürlüğü Veri Tabanı (ÇED Veri Tabanı) 1 GÜNDEM 1. Amacı 2. Veri Tabanı Kapsamı 3. Özellikleri 4. Uygulama 2 1-Amacı Mekansal (haritalanabilir) Bilgilerin Yönetimi Sağlamak (CBS)

Detaylı

www.elektrikogretmenleri.com

www.elektrikogretmenleri.com FIREWORKS (MENU OLUŞ TURMA) 1 Önce Başlat menüsü Programlar Adobe Web Premium CS3 Adobe Fireworks CS3 kısayol simgesi ile Fireworks programı açılır. 2 Fireworks programı açıldığında Karşımıza gelen Yeni

Detaylı

ENF182 Temel Bilgisayar Bilimleri Ö Ğ R. G Ö R. G Ö K H A N K U T L U A N A

ENF182 Temel Bilgisayar Bilimleri Ö Ğ R. G Ö R. G Ö K H A N K U T L U A N A ENF182 Temel Bilgisayar Bilimleri Ö Ğ R. G Ö R. G Ö K H A N K U T L U A N A F O N K S Ġ Y O N L A R Temel Fonksiyonlar Matematiksel Fonksiyonlar Ġstatiksel Fonksiyonlar Metinsel Fonksiyonlar Tarih Fonksiyonları

Detaylı

BİLGİSAYAR DERSLERİNDE UYGULAMA DOSYALARININ ÖĞRENCİLERDEN ÇEVRİM İÇİ (ONLİNE) ALINARAK DEĞERLENDİRİLMESİ

BİLGİSAYAR DERSLERİNDE UYGULAMA DOSYALARININ ÖĞRENCİLERDEN ÇEVRİM İÇİ (ONLİNE) ALINARAK DEĞERLENDİRİLMESİ BİLGİSAYAR DERSLERİNDE UYGULAMA DOSYALARININ ÖĞRENCİLERDEN ÇEVRİM İÇİ (ONLİNE) ALINARAK DEĞERLENDİRİLMESİ COMPUTER LESSONS, RECEIPT AND EVALUATION OF THE APPLICATION FILES ONLINE Fatih ERTAM University

Detaylı

Programa girerken bir kullanıcı ismi ve şifre gerekmektedir. Böylece çok kullanıcılı sistemde kullanıcı bazında yetkilendirme yapılabilir.

Programa girerken bir kullanıcı ismi ve şifre gerekmektedir. Böylece çok kullanıcılı sistemde kullanıcı bazında yetkilendirme yapılabilir. WinTime Modüler bir yapıya sahiptir. Zaman Takip Modülü (Time & Attendance) Kapı Kontrol Modülü (Access Control) Yemekhane Modülü Üretim Takip Modülü WinTime-SAP Modülü Soft Terminal Modülü WinTime Windows

Detaylı

PERDELĠ BETONARME YAPILAR ĠÇĠN DOĞRUSAL OLMAYAN ANALĠZ METOTLARI

PERDELĠ BETONARME YAPILAR ĠÇĠN DOĞRUSAL OLMAYAN ANALĠZ METOTLARI PERDELĠ BETONARME YAPILAR ĠÇĠN DOĞRUSAL OLMAYAN ANALĠZ METOTLARI Nonlinear Analysis Methods For Reinforced Concrete Buildings With Shearwalls Yasin M. FAHJAN, KürĢat BAġAK Gebze Yüksek Teknoloji Enstitüsü,

Detaylı

2. METODOLOJĠ 1 METODOLOJĠ. Programlar ile Ġstatistiksel Veri Analizi-2 (Prof.Dr. Kazım ÖZDAMAR,2002) çalıģmalarından yararlanılmıģtır.

2. METODOLOJĠ 1 METODOLOJĠ. Programlar ile Ġstatistiksel Veri Analizi-2 (Prof.Dr. Kazım ÖZDAMAR,2002) çalıģmalarından yararlanılmıģtır. GĠRĠġ 1 GĠRĠġ 2 GĠRĠġ 3 İÇİNDEKİLER 1. GĠRĠġ... 4 2. METODOLOJĠ... 5 3. TEMEL BĠLEġENLER ANALĠZĠ TEKNĠĞĠNĠN UYGULANMASI... 8 4. TR52 DÜZEY 2 BÖLGESĠ ĠLÇELERĠ SOSYAL GELĠġMĠġLĠK ENDEKSĠ...10 5. SONUÇ...27

Detaylı

Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi

Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi 6 th International Advanced Technologies Symposium (IATS 11), 16-18 May 2011, Elazığ, Turkey Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi M.Peker 1, A. Zengin 2 1 University of Karabuk/Turkey,

Detaylı

İlgili sayfa ulaşmak için metnin üzerine TIKLAYINIZ.!

İlgili sayfa ulaşmak için metnin üzerine TIKLAYINIZ.! ADAY BAŞVURU SÜRECİ 1 1.ÖSYM ÖN KAYIT BAŞVURU BİLGİLERİNİN ADIM ADIM GİRİLMESİ 2 1.1.KİMLİK BİLGİLERİ 3 1.2.AİLE BİLGİLERİ 4 1.3. İŞ BİLGİLERİ 6 1.4. ADRES BİLGİLERİ 7 1.5. İLETİŞİM BİLGİLERİ 8 1.6.EĞİTİM

Detaylı

Dövizli Kullanım LOGO KASIM 2011

Dövizli Kullanım LOGO KASIM 2011 Dövizli Kullanım LOGO KASIM 2011 İçindekiler Dövizli Kullanım... 3 Kavramlar... 3 Döviz Türleri... 4 Satır bilgilerinin silinmesi... 4 Tüm tablonun silinmesi... 4 Sistemde yer alan ilk tanımlara ulaşım...

Detaylı

Programın Tanıtımı 2-4- 1-3- 8-9- 10-11- 12- 13-

Programın Tanıtımı 2-4- 1-3- 8-9- 10-11- 12- 13- ISIS VERİ YÖNETİMİ Programın Tanıtımı 1-3- 2-4- 6-7- 5-8- 9-10- 11-12- 13-1- Bu bölüme aranacak sorgu için 2 tarih arası bilgi gün / ay / yıl / saat / dakika cinsinden girilir. 2- Arama kriterlerinden

Detaylı

BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ

BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ Emre DANDIL, K.İBRAHİM KAPLAN Akademik Bilişim 2013 İnternet ve bilgisayar teknolojilerinin etkin kullanılmaya başlanması ile birlikte, bazı kişisel bilgilere veya

Detaylı

TUNCA MYO ÖĞRENCĠLERĠ ĠÇĠN KAYIT DUYURUSU. DĠKKAT! LÜTFEN TARAYICINIZ Internet Explorer ise VERSĠYONUN 9.0 olduğunu Kontrol Ediniz.

TUNCA MYO ÖĞRENCĠLERĠ ĠÇĠN KAYIT DUYURUSU. DĠKKAT! LÜTFEN TARAYICINIZ Internet Explorer ise VERSĠYONUN 9.0 olduğunu Kontrol Ediniz. TUNCA MYO ÖĞRENCĠLERĠ ĠÇĠN KAYIT DUYURUSU DĠKKAT! LÜTFEN TARAYICINIZ Internet Explorer ise VERSĠYONUN 9.0 olduğunu Kontrol Ediniz. 1-2012-2013 Öğretim yılı Güz Dönemi Ders Seçimleri 17/Eylül/2012, Pazartesi

Detaylı

Fatura Dosyalarını Yükleme ile ilgili Detaylar. 14 Temmuz 2014

Fatura Dosyalarını Yükleme ile ilgili Detaylar. 14 Temmuz 2014 14 Temmuz 2014 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : E-Fatura Gelen e-fatura Dosyalarının Transferi Firmalara tedarikçilerinden veya hizmet aldıkları firmalardan gelen e-faturalar,

Detaylı

BÖLÜM 1 Veri Tanımı ve Sınıflandırılması BÖLÜM 2 Özel Fonksiyonlar BÖLÜM 3 Fourier Dizileri BÖLÜM 4 Fourier Dönüşümü

BÖLÜM 1 Veri Tanımı ve Sınıflandırılması BÖLÜM 2 Özel Fonksiyonlar BÖLÜM 3 Fourier Dizileri BÖLÜM 4 Fourier Dönüşümü BÖLÜM 1 Veri Tanımı ve Sınıflandırılması 1 VERĠ TANIMI VE JEOFĠZĠK ÇALIġMALARDA UYGULANAN ĠġLEMLER 1 VERĠLERĠN SINIFLANDIRILMASI 2 Verilerin Ölçüm Biçimine Göre Sınıflandırılması 2 Sürekli Veri 2 Sayısal

Detaylı

NEVġEHĠR ÜNĠVERSĠTESĠ BOLOGNA SÜRECĠ

NEVġEHĠR ÜNĠVERSĠTESĠ BOLOGNA SÜRECĠ NEVġEHĠR ÜNĠVERSĠTESĠ BOLOGNA SÜRECĠ ÖĞRENME ÇIKTILARI HAZIRLAMA VE ÖĞRENCĠ Ġġ YÜKÜ HESABI FUNDA NALBANTOĞLU YILMAZ Eğitim Öğretim Planlamacısı Ekim, 2011 GĠRĠġ Bologna Süreci kapsamında, yükseköğretim

Detaylı

FIRAT ÜNİVERSİTESİ WEB TABANLI KÜTÜPHANE OTOMASYONU

FIRAT ÜNİVERSİTESİ WEB TABANLI KÜTÜPHANE OTOMASYONU FIRAT ÜNİVERSİTESİ WEB TABANLI KÜTÜPHANE OTOMASYONU Erhan Akbal Gürkan Karabatak Aytuğ Boyacı Mustafa Ulaş Ayhan Akbal Hasan H. Balık Fırat Üniversitesi Fırat Üniversitesi Fırat Üniversitesi Fırat Üniversitesi

Detaylı

Projenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması

Projenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması Projenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması Projenin Amacı : YGS de başarılı olmak isteyen bir öğrencinin, istatistiksel yöntemler çerçevesinde, sınavda çıkan soru sayısını,

Detaylı

FIRAT ÜNİVERSİTESİ ENFORMATİK LABORATUVARLARI OTOMASYONU

FIRAT ÜNİVERSİTESİ ENFORMATİK LABORATUVARLARI OTOMASYONU FIRAT ÜNİVERSİTESİ ENFORMATİK LABORATUVARLARI OTOMASYONU Erhan Akbal Mustafa Ulaş Aytuğ Boyacı Gürkan Karabatak Ayhan Akbal Hasan H. Balık Fırat Üniversitesi Fırat Üniversitesi Fırat Üniversitesi Fırat

Detaylı

GIDA MADDELERĠNDE NEM, KÜL, YAĞ, PROTEĠN ve GLÜTEN TAYĠNĠ YETERLĠLĠK TESTĠ ÇALIġMASI PROTOKOLÜ

GIDA MADDELERĠNDE NEM, KÜL, YAĞ, PROTEĠN ve GLÜTEN TAYĠNĠ YETERLĠLĠK TESTĠ ÇALIġMASI PROTOKOLÜ GIDA MADDELERĠNDE NEM, KÜL, YAĞ, PROTEĠN ve GLÜTEN TAYĠNĠ YETERLĠLĠK TESTĠ ÇALIġMASI PROTOKOLÜ TÜBĠTAK ULUSAL METROLOJĠ ENSTĠTÜSÜ REFERANS MALZEMELER LABORATUVARI Protokol No: KAR-G3RM-190.2013 Ekim 2013

Detaylı

KBS MALĠ ĠSTATĠSTĠK VERĠ GĠRĠġ ĠġLEMLERĠ

KBS MALĠ ĠSTATĠSTĠK VERĠ GĠRĠġ ĠġLEMLERĠ KBS MALĠ ĠSTATĠSTĠK VERĠ GĠRĠġ ĠġLEMLERĠ Soner ÖZKIR Maliye Uzmanı Genel Yönetim Mali Ġstatistik ġubesi 18-23/11/2012 ANTALYA SUNUM TANIġMA SUNUMUN AMACI KBS GENEL BĠLGĠ MALĠ ĠSTATĠSTĠK MODÜLÜ GENEL BĠLGĠ

Detaylı

BİYOMETRİK GÜVENLİK SİSTEMLERİ VE YÜZ TANIMAYA DAYALI ÇEVRİMİÇİ SINAV SİSTEMİ

BİYOMETRİK GÜVENLİK SİSTEMLERİ VE YÜZ TANIMAYA DAYALI ÇEVRİMİÇİ SINAV SİSTEMİ BİYOMETRİK GÜVENLİK SİSTEMLERİ VE YÜZ TANIMAYA DAYALI ÇEVRİMİÇİ SINAV SİSTEMİ Zihni Kaya İstanbul Aydın Üniversitesi UZEM, İstanbul zihnikaya@aydin.edu.tr Prof. Dr. Ali Güneş İstanbul Aydın Üniversitesi

Detaylı

SERĠMYA 2011 - IX. ULUSAL ĠLKÖĞRETĠM MATEMATĠK OLĠMPĠYATI. 9. Ulusal. serimya. İLKÖĞRETİM 7. Ve 8. SINIFLAR ARASI MATEMATİK YARIŞMASI.

SERĠMYA 2011 - IX. ULUSAL ĠLKÖĞRETĠM MATEMATĠK OLĠMPĠYATI. 9. Ulusal. serimya. İLKÖĞRETİM 7. Ve 8. SINIFLAR ARASI MATEMATİK YARIŞMASI. Sayfa1 9. Ulusal serimya İLKÖĞRETİM 7. Ve 8. SINIFLAR ARASI MATEMATİK YARIŞMASI 2011 Sayfa2 1. Bir ABCD konveks dörtgeninde AD 10 cm ise AB CB? m( Dˆ ) 90, ( ˆ) 150 0 0 m C ve m Aˆ m Bˆ ( ) ( ) olarak

Detaylı

DENEME SINAVI. ECDL BAŞLANGIÇ Hesap Tablosu

DENEME SINAVI. ECDL BAŞLANGIÇ Hesap Tablosu DENEME SINAVI ECDL BAŞLANGIÇ Hesap Tablosu 1. Hesap Çizelgesi (Microsoft Office - Excel) uygulamasını açınız. Başlat > Programlar > Microsoft Office > Microsoft Office Excel 2003 yolu izlenerek Excel programı

Detaylı

ATATÜRK ÜNĠVERSĠTESĠ

ATATÜRK ÜNĠVERSĠTESĠ ATATÜRK ÜNĠVERSĠTESĠ Sağlık Bilimleri Enstitüsü Lisansüstü Programlar Online Ön Kayıt Kılavuzu Sevgili Öğrencimiz, Enstitülerimize hoģ geldiniz. 2009-2010 eğitim-öğretim yılında bahar yarıyılında Enstitümüze

Detaylı

Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması

Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr

Detaylı

Dijital (Sayısal) Fotogrametri

Dijital (Sayısal) Fotogrametri Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak

Detaylı

SANAYİ SİCİL BİLGİ SİSTEMİNDE KULLANICI ADI İLE SİSTEME GİRİŞ

SANAYİ SİCİL BİLGİ SİSTEMİNDE KULLANICI ADI İLE SİSTEME GİRİŞ SANAYİ SİCİL BİLGİ SİSTEMİNDE KULLANICI ADI İLE SİSTEME GİRİŞ Kırmızı yazı ile belirtilmiģ olan Kullanıcı Adı ve Parola alanları doldurulup GiriĢ yazısına basarak sisteme giriģ yapabilirsiniz. ġekil 1

Detaylı

2 ALGORİTMA VE AKIŞ DİYAGRAMLARI

2 ALGORİTMA VE AKIŞ DİYAGRAMLARI İÇİNDEKİLER IX İÇİNDEKİLER 1 GİRİŞ 1 Kitabın Amacı 1 Algoritmanın Önemi 2 Bilgisayarın Doğuşu ve Kullanım Amaçları 3 Programlama Dili Nedir? 3 Entegre Geliştirme Ortamı (IDE) Nedir? 4 2 ALGORİTMA VE AKIŞ

Detaylı

ATATÜRK ÜNİVERSİTESİ BİLGISAYAR MÜHENDİSLİĞİ BÖLÜMÜ BM 104- NESNEYE YÖNELİK PROGRAMLAMA DERSİ 2013-2014 BAHAR DÖNEMİ ÖDEV-3

ATATÜRK ÜNİVERSİTESİ BİLGISAYAR MÜHENDİSLİĞİ BÖLÜMÜ BM 104- NESNEYE YÖNELİK PROGRAMLAMA DERSİ 2013-2014 BAHAR DÖNEMİ ÖDEV-3 ATATÜRK ÜNİVERSİTESİ BİLGISAYAR MÜHENDİSLİĞİ BÖLÜMÜ BM 104- NESNEYE YÖNELİK PROGRAMLAMA DERSİ 2013-2014 BAHAR DÖNEMİ ÖDEV-3 (Son Teslim Tarihi: 06.06.2014 17:30 a kadar ) Teslim: Arş. Gör. Ferhat Bozkurt

Detaylı

Kullanıcı Hesabı ve Şifre Yönetimi

Kullanıcı Hesabı ve Şifre Yönetimi 1. Amaç Bu prosedürün amacı BĠLGĠ bünyesinde veya yan kuruluģlarda çalıģan ve BILGINETWORKS alanına dahil olan kullanıcıların Ģifrelerinin azami ölçüde güvenlikli ve sağlam bir yapıda oluģturulmasını,

Detaylı

HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU

HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU Ekim 2015 İçindekiler 1. HAL KAYIT SİSTEMİ NE GİRİŞ... 2 2. HAL HAKEM HEYETİ BAŞVURU OLUŞTURMA SÜRECİ... 2 2.1. BAŞVURU İÇİN GEREKLİ BİLGİLERİN

Detaylı

1-Otomasyon Sisteminden Öğrenci Notlarının Girilmesi. *obs.btu.edu.tr/ adresinden akademik personel şifrenizle sisteme giriş yapınız.

1-Otomasyon Sisteminden Öğrenci Notlarının Girilmesi. *obs.btu.edu.tr/ adresinden akademik personel şifrenizle sisteme giriş yapınız. 1.1 Otomasyon Sistemine Giriş 1-Otomasyon Sisteminden Öğrenci Notlarının Girilmesi *obs.btu.edu.tr/ adresinden akademik personel şifrenizle sisteme giriş yapınız. DİKKAT : Not girişi yapmadan önce yoklama

Detaylı

TÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM )

TÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM ) TÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM ) Şekil 1 İşaret dili tanıma örnek ekran görüntüsü Türk İşaret Dili Tanıma projesi 2005 2006 yılının 2. döneminde Yıldız Teknik

Detaylı

Hansel zeki bir çocukmuģ. Sabah ormana doğru yürürlerken, akģam yemeğinde cebine sakladığı kuru ekmeğin kırıntılarını (yere iz bırakıp kaybolmamak ve

Hansel zeki bir çocukmuģ. Sabah ormana doğru yürürlerken, akģam yemeğinde cebine sakladığı kuru ekmeğin kırıntılarını (yere iz bırakıp kaybolmamak ve ALGORİTMALAR Hansel zeki bir çocukmuģ. Sabah ormana doğru yürürlerken, akģam yemeğinde cebine sakladığı kuru ekmeğin kırıntılarını (yere iz bırakıp kaybolmamak ve daha sonra bu izi takip ederek evin yolunu

Detaylı

Tanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu

Tanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu FOTOGRAMETRİ I Tanımlar, Geometrik ve Matemetiksel Temeller Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ JDF329 Fotogrametri I Ders Notu 2015-2016 Öğretim Yılı Güz Dönemi İçerik Tanımlar

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Proje

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Proje Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Proje Renk ve Şekil Temelli Trafik İşareti Tespiti Selçuk BAŞAK 08501008 1. Not: Ödevi hazırlamak için

Detaylı

T.C. MĠLLÎ EĞĠTĠM BAKANLIĞI EĞĠTĠM TEKNOLOJĠLERĠ GENEL MÜDÜRLÜĞÜ BĠLĠġĠM HĠZMETLERĠ DAĠRESĠ MEZUN ÖĞRENCĠ SORGULAMA MODÜLÜ KULLANIM KILAVUZU

T.C. MĠLLÎ EĞĠTĠM BAKANLIĞI EĞĠTĠM TEKNOLOJĠLERĠ GENEL MÜDÜRLÜĞÜ BĠLĠġĠM HĠZMETLERĠ DAĠRESĠ MEZUN ÖĞRENCĠ SORGULAMA MODÜLÜ KULLANIM KILAVUZU T.C. MĠLLÎ EĞĠTĠM BAKANLIĞI EĞĠTĠM TEKNOLOJĠLERĠ GENEL MÜDÜRLÜĞÜ BĠLĠġĠM HĠZMETLERĠ DAĠRESĠ MEZUN ÖĞRENCĠ SORGULAMA MODÜLÜ KULLANIM KILAVUZU TERME-2015 1. GĠRĠġ MOS modülü 6111 Sayılı Kanun Teşviki kanunu

Detaylı

EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ

EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ MAKALE YAZIM KURALLARI Versiyon 2 ETAD 2009 1 E T A D W W W. ET- AD. N E T ĠÇĠNDEKĠLER 1. GĠRĠġ... 1 2. MAKALE

Detaylı

Microsoft Excel. Çalışma Alanı. Hızlı Erişim Çubuğu Sekmeler Başlık Formül Çubuğu. Ad Kutusu. Sütunlar. Satırlar. Hücre. Kaydırma Çubukları

Microsoft Excel. Çalışma Alanı. Hızlı Erişim Çubuğu Sekmeler Başlık Formül Çubuğu. Ad Kutusu. Sütunlar. Satırlar. Hücre. Kaydırma Çubukları Microsoft Excel Microsoft Excel yazılımı bir hesap tablosu programıdır. Excel, her türlü veriyi (özellikle sayısal verileri) tablolar ya da listeler halinde tutma ve bu verilerle ilgili ihtiyaç duyacağınız

Detaylı

KULLANIM KILAVUZU. Programda veri gireceğiniz yerler beyaz renklidir. Sarı renkli alanlar hesaplama veya otomatik olarak gelen bilgilerdir.

KULLANIM KILAVUZU. Programda veri gireceğiniz yerler beyaz renklidir. Sarı renkli alanlar hesaplama veya otomatik olarak gelen bilgilerdir. Programın Ekran görüntüsü şekildeki gibidir: KULLANIM KILAVUZU Programda veri gireceğiniz yerler beyaz renklidir. Sarı renkli alanlar hesaplama veya otomatik olarak gelen bilgilerdir. Banka: Program kurulduğunda

Detaylı

EGE ÜNİVERSİTESİ Bilgisayar Mühendisliği. Dr. Kemal YILMAZ, Prof. Dr. Aylin KANTARCI, Prof. Dr. Cezmi AKKIN

EGE ÜNİVERSİTESİ Bilgisayar Mühendisliği. Dr. Kemal YILMAZ, Prof. Dr. Aylin KANTARCI, Prof. Dr. Cezmi AKKIN EGE ÜNİVERSİTESİ Bilgisayar Mühendisliği Dr. Kemal YILMAZ, Prof. Dr. Aylin KANTARCI, Prof. Dr. Cezmi AKKIN Oftalmoskopi: oftalmoskop ile göz dibinin muayene edilmesi bilimidir. Bilim tarihinin ilk optik

Detaylı

İşletim Sistemi. BTEP205 - İşletim Sistemleri

İşletim Sistemi. BTEP205 - İşletim Sistemleri İşletim Sistemi 2 İşletim sistemi (Operating System-OS), bilgisayar kullanıcısı ile bilgisayarı oluşturan donanım arasındaki iletişimi sağlayan ve uygulama programlarını çalıştırmaktan sorumlu olan sistem

Detaylı

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur. Görüntü İşleme Görüntü işleme, dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesidir. Resimler

Detaylı

Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access)

Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access) Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access) İstanbul Teknik Üniversitesi, İnşaat Fakültesi, Geomatik Mühendisliği Bölümü Prof. Dr. Nebiye MUSAOĞLU Doç. Dr. Elif SERTEL Y. Doç. Dr. Şinasi

Detaylı

Okul Temsilcisi. (Müd.-Mdr.Yrd.-Öğretmen- Müd.Yet.Öğrt.vb.)

Okul Temsilcisi. (Müd.-Mdr.Yrd.-Öğretmen- Müd.Yet.Öğrt.vb.) Okul Temsilcisi (Müd.-Mdr.Yrd.-Öğretmen- Müd.Yet.Öğrt.vb.) Okul Temsilcileri kendilerine atanmıģ olan kullanıcı adı (TCKNO) ve cep telefonlarına SMS ile gelen Ģifreyle sisteme giriģ yapabilirler. GiriĢ

Detaylı

MİCROSOFT EXCEL PROGRAMI DERS NOTLARI

MİCROSOFT EXCEL PROGRAMI DERS NOTLARI MİCROSOFT EXCEL PROGRAMI DERS NOTLARI ( 6. sınıflar için hazırlanmıştır. ) Fevzi Başal Bilişim Teknolojileri Öğretmeni İçindekiler 1. KAVRAMLAR... 1 2. DOSYA İŞLEMLERİ... 2 3. EXCEL DE KULLANILAN FARE

Detaylı

İçerik Fotogrametrik Üretim 2 Fotogrametri 2 Hava Fotogrametrisi...2 Fotogrametrik Nirengi 3 Ortofoto 4 Fotogrametrik İş Akışı 5 Sayısal Hava

İçerik Fotogrametrik Üretim 2 Fotogrametri 2 Hava Fotogrametrisi...2 Fotogrametrik Nirengi 3 Ortofoto 4 Fotogrametrik İş Akışı 5 Sayısal Hava İçerik Fotogrametrik Üretim 2 Fotogrametri 2 Hava Fotogrametrisi...2 Fotogrametrik Nirengi 3 Ortofoto 4 Fotogrametrik İş Akışı 5 Sayısal Hava Kameralarının Sağlayacağı Faydalar.7 Pramit Oluşturma.10 Kolon

Detaylı

Excel Nedir? Microsoft Excell. Excel de Çalışma sayfası-tablo

Excel Nedir? Microsoft Excell. Excel de Çalışma sayfası-tablo Microsoft Excell Excel Nedir? Excel programı; veriler üzerinde hesap yapabilme, verileri tabloya dönüştürebilme, verileri karşılaştırıp sonuç üretebilme, grafik oluşturma, veri yönetimi yapabilir. http://mf.dpu.edu.tr/~eyup

Detaylı

Defterdar Teknik Doküman

Defterdar Teknik Doküman EYLÜL 2014 sürüm 1.0 İzibiz Bilgi Teknolojileri A.Ş. Tel: 0 850 811 11 99 satis@izibiz.com.tr www.izibiz.com.tr İçindekiler 1 GİRİŞ... 1 1.1... Kapsamı ve Amacı... 1 1.2... Genel Bakış... 1 2 DEFTERDAR

Detaylı

Dijital Görüntü İşleme Teknikleri

Dijital Görüntü İşleme Teknikleri Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.

Detaylı

Matlab da Dizi ve Matrisler. Mustafa Coşar

Matlab da Dizi ve Matrisler. Mustafa Coşar Matlab da Dizi ve Matrisler Mustafa Coşar MATLAB Değişkenleri Matlab da değişkenler; skaler, dizi(vektör), matris veya metin (string) türünde olabilirler. Örnek olarak: a=1; b=-3.2e3; c=22/5; metin= mustafa

Detaylı

ATATÜRK ÜNĠVERSĠTESĠ

ATATÜRK ÜNĠVERSĠTESĠ ATATÜRK ÜNĠVERSĠTESĠ Lisansüstü Programlar Online Ön Kayıt Kılavuzu Sevgili Öğrencimiz, Enstitümüze hoģ geldiniz. 2010-2011 eğitim-öğretim yılında Enstitümüze lisansüstü eğitim görmek üzere müracaat edecek

Detaylı

AŞI VE ANTİSERUMLARDA KAREKOD UYGULAMASI. ġanliurfa SAĞLIK MÜDÜRLÜĞÜ BULAġICI HASTALIKLAR ġube MÜDÜRLÜĞÜ

AŞI VE ANTİSERUMLARDA KAREKOD UYGULAMASI. ġanliurfa SAĞLIK MÜDÜRLÜĞÜ BULAġICI HASTALIKLAR ġube MÜDÜRLÜĞÜ AŞI VE ANTİSERUMLARDA KAREKOD UYGULAMASI ġanliurfa SAĞLIK MÜDÜRLÜĞÜ BULAġICI HASTALIKLAR ġube MÜDÜRLÜĞÜ www.asinet.gov.tr adresinden giriģ ekranına ulaģınız. 1. Kullanıcı Adı: Kullanıcı adını büyük harflerle

Detaylı

İş Akış Yönetimi LOGO Kasım 2014

İş Akış Yönetimi LOGO Kasım 2014 İş Akış Yönetimi LOGO Kasım 2014 İçindekiler İş Akış Yönetimi... 3 Görevler... 4 Görev Bilgileri... 5 Mesajlar... 7 Zaman Ayarlayıcı İşlemler... 8 Zamanlanmış Görevler... 10 Zamanlanmış Görev Bilgileri...

Detaylı

Temel Excel Kullanım Bilgisi

Temel Excel Kullanım Bilgisi Temel Excel Kullanım Bilgisi Excel Fonksiyonları Başlangıç Microsoft Excel in en zevkli olan formül kısmı hakkında kısa kısa bilgileri ve bazı formüllerin nasıl yazıldığını burada bulacaksınız.

Detaylı

AÇILIŞ EKRANI. Açılış ekranı temelde üç pencereye ayrılır:

AÇILIŞ EKRANI. Açılış ekranı temelde üç pencereye ayrılır: AÇILIŞ EKRANI Açılış ekranı temelde üç pencereye ayrılır: Tam ortada çizim alanı (drawing area), en altta komut satırı (command line) ve en üstte ve sol tarafta araç çubukları (toolbar). AutoCAD te dört

Detaylı

1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA

1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA BÖLÜM15 D- VERİ TABANI PROGRAMI 1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA 1.1. Veri Tabanı Kavramları Veritabanı (DataBase) : En genel tanımıyla, kullanım amacına uygun olarak düzenlenmiş veriler

Detaylı

Sihirbaz Kullanarak Sorgu Oluştur : Sihirbaz sorguyu hazırlayan kişiye sorular sorar ve yanıtlarına göre sorgu oluşturur.

Sihirbaz Kullanarak Sorgu Oluştur : Sihirbaz sorguyu hazırlayan kişiye sorular sorar ve yanıtlarına göre sorgu oluşturur. BÖLÜM17 3. SORGULAR Access Veritabanında sorgu; tablolara yazılan bilgilerin hepsinin veya istenilen (belirlenen) şarta uyanlarının bulunmasıdır. Örneğin Tıp Fakültesinde okuyan öğrenciler gibi. Sorguları

Detaylı

BÖLÜM12. 2- FORMÜLLER ve OTOMATİK TOPLAM. 2.1. Formüller

BÖLÜM12. 2- FORMÜLLER ve OTOMATİK TOPLAM. 2.1. Formüller BÖLÜM12 2- FORMÜLLER ve OTOMATİK TOPLAM 2.1. Formüller Formül, bir sayfadaki verilerin aritmetiksel, mantıksal, istatistiksel vb. işlemleri yapması için kullanılan denklemlerdir ve bize sonuç bildirirler.

Detaylı

Firma/Gümrük Müşavirliği Giriş Ekranı

Firma/Gümrük Müşavirliği Giriş Ekranı Dış Ticaret Modülü Dış ticaret servisi belge tipine (ATR, EUR. 1, Form A, Mense vs) göre stok yaratılmasını ve bu stokun eritilmesini esas alarak çalışmaktadır. Belge satışı odaca yapıldıktan sonra stoktan

Detaylı

8 Dakikada Microsoft Project Öğreniyorum El Kitabı

8 Dakikada Microsoft Project Öğreniyorum El Kitabı 8 Dakikada Microsoft Project Öğreniyorum El Kitabı Hazırlayan: Gemi İnş. ve Gemi Mak.Müh.Ali ÖZEN aliozen@gmail.com 1. Microsoft Project Giriş Sayfa No. 1 İş hedeflerine ulaşmak için kullanılan en temel

Detaylı

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü 3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,

Detaylı

Adım Adım SPSS. 1- Data Girişi ve Düzenlemesi 2- Hızlı Menü. Y. Doç. Dr. İbrahim Turan Nisan 2011

Adım Adım SPSS. 1- Data Girişi ve Düzenlemesi 2- Hızlı Menü. Y. Doç. Dr. İbrahim Turan Nisan 2011 Adım Adım SPSS 1- Data Girişi ve Düzenlemesi 2- Hızlı Menü Y. Doç. Dr. İbrahim Turan Nisan 2011 File (Dosya) Menüsü Excel dosyalarını SPSS e aktarma Variable View (Değişken Görünümü 1- Name (İsim - Kod)

Detaylı