SURF (Speeded-Up Robust Features) Yöntemi ile Yüz Tanıma
|
|
- Şebnem Uyanık
- 8 yıl önce
- İzleme sayısı:
Transkript
1 SURF (Speeded-Up Robust Features) Yöntemi ile Yüz Tanıma Serhat KONYALIOĞULLARI, Serkan BALLI Muğla Sıtkı Koçman Üniversitesi,Bilişim Sistemleri Mühendisliği Bölümü, Muğla Özet: Bu çalışmada SURF (Speeded-Up Robust Features) yöntemi kullanılarak Caltech (California Institute of Technology) yüz veritabanı üzerinde yüz tanıma uygulaması geliştirilmiştir. Resim içerisinde bulunan yüzler, Kanade-Lucas-Tomasi (KLT) algoritması ile tespit edilmiştir. Kaynak yüz resmi üzerinde bulunan ayırt edici özellikli noktaların SURF noktaları- tespit edilmesi ve bu noktaların farklı resimler üzerinde aynı şekilde tespiti yapılan noktalar ile karşılaştırılması ile yüz tanıma işlemi gerçekleştirilmiştir. Yapılan çalışma aynı kişinin farklı ortam ve ışık altında çekilmiş fotoğraflarında farklı özellik ve sayıda noktanın belirleyici olabileceğini göstermiştir. Anahtar Sözcükler: Yüz tanıma, SURF, Kanade-Lucas-Tomasi, Yüz tanıma algoritması. Facial Recognition with SURF (Speeded-Up Robust Features) Algorithm Abstract: In this study, a facial recognition application developed on Caltech (California Institute of Technology) face database by using Speeded-Up Robust Features (SURF) method. The face partition in the picture detected with Kanade-Lucas-Tomasi (KLT) algorithm. Detected face feature points SURF points- were compared with all other feature points at different pictures for facial recognition. Experimental work demonstrates that the feature points counts and locations are decisive from pictures backgrounds, shadows, and light weights. Keywords: Facial recognition, SURF, Kanade-Lucas-Tomasi, Facial recognition algorithm. 1. Giriş Günümüzde hemen her yerde karşımıza çıkan kameralar (Güvenlik kameraları, MOBESE vs.) suçu ve suçluyu tespit ve takip etmede etkin olarak kullanıldığı gibi istatistiksel veri toplama konusunda da etkin olarak kullanılmaktadır. Kamera görüntülerinden elde edilen veriler ile plakalar okunabilmekte, görüntülerde yer alan kişilerin kimliklerinin tespiti gerçekleştirilebilmektedir. Çünkü kişi ile ilgili bilgi edinebilmek için gerçekleştirilmesi gereken en kritik görevlerden biri kimlik tespitinin doğru yapılmasıdır [1]. Özellikle kimlik tespiti konusunda biyometrik yöntem ve araçlar kullanılmaktadır. Bu yöntemler; parmak izi tanıma, el damar ağı tanıma, retina tanıma, iris tanıma ve yüz tanıma olarak sıralanabilir. En çekici biyometrik yöntemlerden biri olarak yüz tanıma, parmak izi ve ya iris tanıma yöntemlerine göre daha doğal ve kullanıcı dostu bir yöntem olarak araştırmacıların dikkatini çekmiştir [2]. Yüz tanıma sisteminde önemli olan nokta, oluşturulan sistemin eğitilebilir ve öğrenebilir olmasıdır. Eldeki veriler kullanılarak eğitilen sistem, sonradan elde edilen yeni verilere adapte olabilmeli ve kendisini sürekli güncel tutabilmelidir. Başarılı bir yüz tanıma sisteminin önemi bu noktada ortaya çıkmaktadır. Yüz tanıma sistemleri öğrenen
2 sistemlerdir. Burada öğrenen sistemden kastedilen sistemin eğitilmesi sonucunda sistemin belli girdiler için belli çıktılar sağlamasıdır [3]. Sistemin başarısı sistemin girdiye uyguladığı dönüşümlere ve girdinin özelliklerini öğrenebilme başarısına bağlıdır [4]. Yüz tanıma işlemi, tanınmak istenen yüzün sistemdeki hangi yüzle daha çok eşleştiğine dayanarak yapılmaktadır. Tanınması istenen yüz bilgisi elde edilir ve sistemde bulunan diğer yüzlerle karşılaştırılarak sınıflandırılır [5]. karşılaştırılması mantığına dayanmaktadır. Böylelikle aranan kişinin görüntüsü veri tabanında tutulup diğer kontrol edilen kişilerin görüntüleri veri tabanında tutulmamaktadır. Fakat bu yöntemin en büyük dezavantajı işlenecek verinin çok fazla olmasından dolayı çok iyi donanıma sahip olunması gerekliliğidir [9]. Bu çalışmada Speeded-Up Robust Features (SURF) yöntemi kullanılarak Caltech (California Institute of Technology) yüz veritabanı üzerinde yüz tanıma uygulaması geliştirilmiştir. Geliştirilen uygulama ile %95 oranıyla başarılı sonuçlar elde edilmiştir. 2. Yüz Tanıma Algoritmaları Yüz tanıma algoritmaları genel yapı itibariyle ikiye ayrılırlar. Bunlardan birincisi resimler üzerinden yapılan yüz tanıma tekniği, diğeri ise hareketli bir görüntü üzerinden yüz tanıma tekniğidir. Bu iki teknolojide günümüzde çok fazla uygulamada kullanılmaktadır. Bunlara örnek olarak birçok ülkenin kullanıma başladığı pasaport kontrolündeki yüz taramaları ve Mobese kameraları gibi ülke çapında kullanılan kameralarda Interpol ün yapmış olduğu yüz tanımlama uygulaması gösterilebilir [6]. Pasaport kontrolündeki mantık kişinin yüzündeki biyometrik detaylar kişi ile eşleştirilerek bir sonraki pasaport geçişlerinde aynı kişi olup olmadığına dayanır. Bu yöntemde kişinin yüzünün biyometrik özellikleri tanımlanarak (örneğin burnun ağız ile arasındaki uzaklık, gözlerin birbiriyle olan uzaklığının ağzının genişliğine oranı gibi.) sisteme kaydedilir. Sonrasında geçişlerde sadece kameraya bakmak suretiyle eski ve yeni veriler karşılaştırılır. Mobese kameralarındaki Interpol uygulaması ise daha önceden veri tabanına kaydedilmiş bir görüntünün anlık yakalanan görüntülerle Şekil 1. Yüz tanıma algoritması Şekil 1 de genel bir yüz tanıma algoritmasının işleyişi gösterilmektedir. Öncelikle kaynak resim alınarak ön işlemden geçirilir ve yüz kesiti alınır. Bulunan kesitin bir yüz olup olmadığına karar verilir. Yüz olarak tanımlanan kısmın belirleyici özellikleri tespit edilerek veri tabanında bulunan diğer resimler ile karşılaştırılması yapılır. Eşleşme durumunda tanımlama işlemi başıyla tamamlanmış olur ve istenirse eldeki yeni resim de veritabanına kaynak olarak eklenir. Günümüzde yüz tanıma işlemi için etkin olarak kullanılan pek çok algoritma ve uygulama geliştirilmiştir. Bunlardan en çok tercih edilen algoritmalar aşağıda ele alınacaktır.
3 - PCA (Principal Component Analysis) / TBA (Temel Bileşenler Analizi) Görüntüdeki aynı kısımları tespit ederek sadece spesifik kısımlar kalacak şekilde görüntünün sıkıştırılıp karşılaştırılması esasına dayanır [7]. PCA yönteminde tanıma işleminin gerçekleşmesi için alınan örneklerle veri tabanında bulunan örneklerin boyutları aynı olması gereklidir. Bu yöntemde kullanılan resimler veri tabanında sıkıştırılmış ve küçültülmüş olarak bulunur. Bu sayede veritabanı yükü azaltılmış ve yüz tanıma hızı arttırılmıştır [8]. - ICA (Independent Component Analysis) / BBA (Bağımsız Bileşenler Analizi) Görüntüdeki temel bir bileşenin tespit edilerek diğer bileşenlerin fonksiyonun çıkarılması esasına dayanır. Görüntünün birebir işlenmesindense, sadece belirli fonksiyonlarının işlenebilmesi ve yaklaşık değerler çıkarıp bunların üzerinden işlem yapılabilmesini sağlar [9]. - LDA (Linear Discriminant Analysis) /DDA (Doğrusal Diskriminant Analizi) Bu algoritmada amaç verilerin sınıflandırılması için gerekli olan ayırt edici öznitelikleri seçip, ayırt edici olmayan öznitelikleri elemektir. Böylelikle görüntüleri analiz ederken onların içerikleri değil özniteliklerine göre analiz edebilen bir yöntemdir [10]. - EP (Evolutionary Pursuit) / EP (Evrimsel Takip) Görüntüleri analiz ederken kişinin karakteristik ve evrimsel özelliklerine göre sınıflandırma ve tanımlama yapabilen bir algoritmadır [9]. - EBGM (Elastic Bunch Graph Matching) / EDGİ (Elastik Demet Grafik İşaretleme) Bu yöntemde genişçe bir dikdörtgenler ızgarası insan yüzüne örtülerek yüz üzerindeki kritik noktaların işaretlenmesi sağlanır. Sonra bu noktalara göre bir özellik vektörü belirlenip grafik şablonları kullanılarak karşılaştırılması yapılır [5]. - Trace Transform Radon / İz Radon Dönüşümü Radon dönüşümü iki boyutlu uzayda düz çizgilere uygulanan integral dönüşümüdür. Ters radon dönüşümü ile görüntülerin tekrar oluşturulması sağlanabilir. İz dönüşümü sayesinde cisimleri tanırken rotasyon, boyutlandırma gibi dönüşümlerin etkileri ortadan kaldırılır. Bu sayede farklı açılardan görüntüsü alınan cisimlerde tanınabilir [8]. - AAM (Active Appearance Model) / Aktif Görünüm Modeli Algoritma gri seviye resimler üstünde tahmin edilen nokta ile hedef nokta arasındaki farkların hesaplanmasıyla çalışır [8]. - 3D Morphable Model 3 Boyutlu Model Dönüştürme Bu algoritma ile görüntünün mevcuttaki diğer resimlerle birleştirerek ortaya çıkan yeni görüntüye olan uyumluluğu kontrol edilir. Böylelikle ortam şartlarına bağlı kalınmadan yüksek seviyede uygunluk elde edilir [11]. - 3-D Face Recognition 3 Boyutlu Yüz Eşleştirme Bu yöntemde insan yüzünün öncelikle üzgün, mutlu, heyecanlı gibi varyasyonları çıkarılır. Sonrasında eşleştirme durumlarında bu varyasyonlar kontrol edilerek uyumun en yüksek seviyede olması sağlanır [9].
4 3. Kanade-Lucas-Tomasi (KLT) ve Speeded-Up Robust Features(SURF) Yöntemi ile Yüz Belirleme Uygulaması Yüz özelliklerinin belirlenebilmesi için öncelikle kaynak resimde bulunan kişinin yüz bölgesinin doğru bir şekilde belirlenmesi gerekmektedir. Böylelikle resim üzerinde ve arka planda bulunan gereksiz şekil ve görüntülerin fazladan gürültü ve kirlilik oluşturması engellenmiş olacaktır. KLT yöntemi ile içerisinde kişinin yüzünü barındıran kaynak resimdeki belirleyici noktalar belirlenerek yüz bölgesinin belirlenmesine çalışılır [12]. Şekil 2 de örnek kaynak resim ve Şekil 3 te bu resimde bulunan yüz bölgesini dikdörtgen içerine alınarak gösterimi yapılmıştır. Şekil 4 te ise sadece yüz kısmı kaynak resimden kırpılarak gösterilmiştir. Şekil 2. Örnek resim Şekil 3. Bulunan yüz kesiti Şekil 4. Yüz kesitinin kırpılmış hali Resimdeki yüz kısmının doğru bir şekilde tespit edilmesinin ardından yapılması gereken işlem, yüz resminin elimizde bulunan diğer resimler ile ne kadar benzerlik taşıdığının belirlenmesine yani yüz tanımlama kısmına gelmektedir. Uygulama MATLAB 2014b yazılımı ile geliştirilmiştir. Yapılan çalışmada tespit edilen yüz bölgesinin özelliklerinin belirlenmesi ve karşılaştırılması işlemleri için SURF yöntemi kullanılmıştır. Literatürde geniş kapsamlı önemli nokta detektör ve tanımlayıcılar geliştirilmiştir [13-17]. SURF yöntemi de çeşitli görme tabanlı uygulamalar için geliştirilmiş bir özellik detektörüdür [18]. Resimlerin önemli noktalarının karşılaştırılması işlemi üç adımdan meydana gelir. Öncelikle resmin içerisinde belirgin bölgelerdeki önemli noktalar köşeler, lekeler, birleşim noktaları seçilir. Önemli noktalar olarak tabir edilen noktaların en değerli özelliği onun tekrarlanabilirliğidir. Tekrarlanabilirlik, farklı görüntüleme koşulları altında aynı önemli noktaları bulmak için bir detektör güvenilirliğini ifade eder. İkinci adım olarak her bir önemli noktanın komşuluğu bir özellik vektörü olarak temsil edilir. Bu tanımlayıcı, fotografik ve geometrik deformasyonları, önemli nokta yer değişimlerini ve resimdeki gürültüleri bastıracak kadar güçlü ve ayırt edici olmak zorundadır. Son olarak farklı resimler içerisinde bulunan özellik vektörleri karşılaştırılır. Bu karşılaştırma vektörler arasındaki mesafeyi temel alır. Özellik
5 vektörlerinin boyutları mesafe karşılaştırma işlemi için geçen süre ile doğrudan ilintilidir ve hızlı eşleşme yapılabilmesi için küçük boyutlu vektörlerin oluşması arzu edilir. Ancak, düşük boyutlu özellik vektörlerinde yüksek boyutlu muadillerine göre daha az belirleyici özellik barındırır [19]. Bu çalışmada kullanılan veriler, Caltech (California Institute of Technology) yüz veritabanından alınan resimlerden oluşmaktadır. Veri seti içerisinde en çok resmi bulunan 18 kişinin toplam 311 resmi uygulama içerisinde yer almıştır. Her kişinin 10 farklı resmi kaynak resimler olarak rastgele belirlenmiş ve içerisinde tüm kişileri barındıran 131 karmaşık resim içerisinde tarama işlemi gerçekleştirilmiştir. Şekil 5 te aynı kişinin farklı planlarda çekilmiş resimlerinin bir örneği yer almaktadır. Kaynak resimde bulunan kişinin yüz özellik noktalarının belirlenmesi aşamasından önce resmin içerisinden yüz bölgesi ayrıştırılır ve tarama yeni elde edilen resim üzerinde gerçekleştirilir. Böylece arka planda yer alan gereksiz noktaların da belirlenmesi ve gereksiz zaman-iş yükü harcanmasının da önüne geçilmiş olur. Kakıcı [8] de ifade gösterildiği üzere resim üzerinde bulunan ve ilgilenilen noktalar belirlendikten sonra sıra artık SURF noktaları diyeceğimiz bu noktaların diğer resimlerdeki SURF noktaları ile karşılaştırılmasına gelmektedir. Şekil 6 da yüz kısmı kırpılarak çıkartılmış bir resim üzerinde bulunan SURF noktalarının gösterimi bulunmaktadır. Şekil 6. Yüz bölgesinde tespit edilen SURF noktaları Şekil 5. Aynı kişinin farklı arka planlarda çekilmiş fotoğrafları Gerçekleştirilen uygulamada 18 ayrı kişinin 10 ayrı resminde tespit edilen SURF noktaları tek tek 131 karışık resim içerisinde tespit edilen SURF noktaları ile karşılaştırılarak eşleştirilen nokta sayıları kaydedilmiştir. En çok eşleşme tespit edilen resmin kaynak resimdeki kişi olduğu varsayılmıştır. Şekil 7 de aynı kişinin iki ayrı resminde eşleştirilen SURF noktalarının gösterimi yer almaktadır. Bu örnekte her iki resimde de 53 farklı SURF noktası tespit edilmiş ve bunlardan 29 tanesinin eşleştiği belirlenmiştir. Eşleşen noktalar birbirlerini birleştiren çizgiler halinde gösterilmiştir.
6 Böylelikle her iki resimde de tespit edilen ve eşleştirilen SURF noktalarının birbirinden ayırt edilebilmesi kolaylaştırılmıştır. Şekil 7. Benzeşen SURF noktaları Tablo 1. Tespit edilen SURF noktaları Resim SNS* Resim SNS Resim SNS A1 61 C8 31 F5 61 A2 35 C9 39 F6 62 A3 36 C10 43 F7 70 A4 45 D1 58 F8 62 A5 9 D2 64 F9 52 A6 29 D3 52 F10 74 A7 36 D4 58 G1 27 A8 29 D5 55 G2 35 A9 31 D6 50 G3 33 A10 19 D7 66 G4 27 B1 17 D8 60 G5 20 B2 17 D9 50 G6 23 B3 22 D10 48 G7 29 B4 14 E1 50 G8 28 B5 26 E2 31 G9 33 B6 17 E3 53 G10 30 B7 23 E4 43 H1 48 B8 15 E5 30 H2 44 B9 21 E6 48 H3 49 B10 22 E7 34 H4 41 C1 43 E8 39 H5 52 C2 38 E9 43 H6 54 C3 46 E10 47 H7 37 C4 40 F1 71 H8 60 C5 40 F2 49 H9 47 C6 42 F3 46 H10 47 C7 53 F4 61 I1 83 I2 100 L5 27 O8 54 I3 81 L6 30 O9 75 I4 85 L7 27 O10 63 I5 87 L8 26 P1 24 I6 81 L9 26 P2 32 I7 88 L10 30 P3 32 I8 101 M1 42 P4 31 I9 101 M2 58 P5 33 I10 95 M3 62 P6 39 J1 54 M4 39 P7 38 J2 47 M5 18 P8 29 J3 53 M6 51 P9 34 J4 48 M7 57 P10 41 J5 56 M8 39 Q1 55 J6 46 M9 31 Q2 57 J7 64 M10 47 Q3 53 J8 67 N1 59 Q4 53 J9 49 N2 6 Q5 53 J10 61 N3 66 Q6 63 K1 42 N4 40 Q7 61 K2 41 N5 32 Q8 43 K3 28 N6 65 Q9 56 K4 43 N7 17 Q10 59 K5 39 N8 43 R1 24 K6 45 N9 64 R2 37 K7 29 N10 64 R3 26 K8 31 O1 59 R4 30 K9 36 O2 46 R5 36 K10 29 O3 52 R6 34 L1 29 O4 54 R7 26 L2 28 O5 51 R8 37 L3 28 O6 35 R9 40 L4 30 O7 54 R10 31 *SNS: SURF nokta sayısı
7 Tablo 1 de 18 kişinin 10 ayrı resmi içerisinde yüz kısımları için bulunan SURF noktalarının sayısı verilmiştir. Resimler harf ve rakamlardan oluşan etiketler ile temsil edilmişlerdir. A-R arası harflendirme her bir farklı kişiyi, 1-10 arası numaralandırma ise o kişinin farklı resimlerini işaret etmektedir. Görüleceği üzere bazı resimlerin nokta sayısı diğer resimlere oranla çok daha fazla bulunmuştur. Yüzün karakteristik özellikleri, resmin parlak ya da gölgeli oluşu gibi faktörler nokta sayısını değiştirebilmektedir. Kişi Tablo 2. Yüz eşleştirme sonuçları Doğru Yanlış Toplam Yüzde(%) A B C D E F G H I J K L M N O P Q R Toplam Tablo 2 de ise 18 farklı kişinin 10 ayrı resmi için yapılan eşleştirme sonucu doğru tespit edilebilen resim sayıları verilmiştir. Görüldüğü üzere eşleştirme yapılan 180 resmin 171 inde doğru tanımlama yapılabilmiştir ve %95 lik bir başarı sağlanmıştır. 4. Sonuç ve Öneriler SURF noktalarının belirlenmesi ve karşılaştırılması yöntemi ile eşleşen noktaların tespit edilerek yüz tanıma işlemi gerçekleştirilmeye çalışılmış ve %95 gibi bir oranla başarılı sonuçlar elde edilmiştir. Yüz tanıma yazılımlarındaki en büyük sorun depolama ve işlem gereksinimleri olarak ortaya çıktığından, resmin tamamı yerine veriyi yani sadece SURF noktalarını veri tabanında tutarak depolama ve sorgulama konusunda ciddi kazanımlar elde edilebileceği görülmüştür. Yapılan çalışmada kişilerin her bir resmi tek tek karşılaştırma işlemine tabi tutulduğundan başarı oranının da aynı oranda düşme eğilimi gösterebileceği gözlemlenmiştir. Özellikle bazı resimlerde meydana gelen kararma, gölgelenme vb. bozulmalar, sonucu doğrudan ve olumsuz bir şekilde etkileyebilmektedir. Yapılan çalışmanın daha da geliştirilmesi ve sıfıra yakın hata oranlarında başarı elde edebilmesi için, aynı kişinin farklı resimleri üzerinde tespit edilen SURF noktalarının tekil olanları bir araya getirilecek bir SURF vektörü oluşturulabilir ve kişiyi resmi yerine bu vektör temsil edebilir. Böylece aynı resimler üzerinde tekrar tekrar tarama ve tespit yapmak yerine sadece araştırma yapılmak istenen resim üzerinde ihtiyaç duyulan SURF noktaları belirlenebilir ve arama işlemi sadece vektör veritabanı üzerinde gerçekleştirilebilir. Ayrıca her doğru eşleştirme neticesinde elde edilen yeni görüntü ve ya resmin belirlenmiş SURF noktaları da kişinin SURF vektörüne eklenmesi ile ileriki yüz tanıma süreçlerinde daha doğru ve güncel veriler üzerinde tarama yapılabilecektir.
8 5. Kaynaklar [1] Mandhala, V.N., Bhattacharyya, D.K., Kim, T., Hybrid Face Recognition using Image Feature Extractions: A Review, International Journal of Bio-Science and Bio- Technology, Vol.6, No.4, (2014). [2] Hazar, M., Fendri, E., Hammami, M., Face Recognition Through Different Facial Expressions, Journal of Signal Processing Systems, New York (2015). [3] Yazar, I., Yavuz, H.S., ÇAY, M.A., Temel Bileşen Analizi Yönteminin be Bazı Klasik ve Robust Uyarlamalarının Yüz Tanıma Uygulamaları, Journal of Engineering and Architecture Faculty of Eskişehir Osmangazi University, Vol.12, No.1, (2009). [4] Salah, A. A., İnsan ve Bilgisayarda Yüz Tanıma, Bilgi İşleyen Makine Olarak Beyin Sempozyumu-3, Boğaziçi Üniversitesi, İstanbul (2005). [5] Sütçüler, E., Gerçek Zamanlı Video Görüntülerinden Yüz Bulma ve Tanıma Sistemi, Yüksek Lisans tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, 90 s (2006). [6] Torun, B., Yurdakul, M., Duygulu, P., Benzer Yüzlerin Bulunması, /SIU2009-Torun.pdf (2007). [7] Kıymacı, K., Yüz Tanıma Sistemi Algoritmalarının Geliştirilmesi, Kocaeli Üniversitesi (2010). [8] Kakıcı, A., Biyometrik Tanıma Sistemleri, /genel/biyometrik-tanima-sistemleri, (2008). [9] Varol, A., Cebe, B., Yüz Tanıma Algoritmaları, 5th International Computer & Instructional Technologies Symposium, Fırat University, (2011). [10] Çevikalp, H., Doğrusal Ayırt Etme Ölçütlerinin Teorik İncelenmesi, Osmangazi Üniversitesi, Eskişehir (2010). [11] Blanz, V., Vetter, T., A Morphable model fort he synthesis of 3D faces, Max- Planck- InstitutfürbiologischeKybernetik, Tübingen, Germany (2011). [12] J. Shi and C. Tomasi, Good features to track, in Proc. CVPR, (1994). [13] Lindeberg, T., Feature Detection with Automatic Scale Selection, IJCV 30 (2), (1998). [14] Lowe, D., Distinctive Image Features from Scale-Invariant Keypoints, IJCV 60 (2), (2004). [15] Mikolajczyk, K., Schmid, C., An Affine Invariant Interest Point Detector, ECCV, (2002). [16] Tuytelaars, T., Gool L.V., Wide Baseline Stereo Based on Local Affinely Invariant Regions, BMVC, (2000). [17] Matas, J., Chum, O., Urban, M., Pajdla, T., Robust Wide Baseline Stereo from Maximally Stable Extremal Regions, BMVC, (2002). [18] Hsieh, J.W., Chen L., Chen D., Symmetrical SURF and Its Applications to Vehicle Detection and Vehicle Make and Model Recognition, IEEE Transactions on Intelligent Transportation Systems, Vol. 15, No.1, 6-20 (2014). [19] Bay, H., Ess, A., Tuytelaars, T., Gool, L.V., Speeded-Up Robust Features (SURF), Computer Vision and Image Understanding, Vol.110, No.3, (2008).
YÜZ TANIMA ALGORİTMALARI ALGORITHMS OF FACE RECOGNITION
YÜZ TANIMA ALGORİTMALARI ALGORITHMS OF FACE RECOGNITION A. Varol 1 ve B. Cebe 2 1 Wilkes University, WilkesBarre, US, asaf.varol@wilkes.edu 2 Fırat Üniversitesi, Elazığ / TÜRKİYE, cebe.betul@gmail.com
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıBİYOMETRİK 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
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıSahne 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
Detaylı3.2. 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,
DetaylıİRİSTEN 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
DetaylıRENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ
Journal of Naval Science and Engineering 2009, Vol 5, No2, pp 89-97 RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Öğr Kd Bnb Mustafa Yağımlı Elektrik/Elektronik Mühendisliği Bölümü,
DetaylıZahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik
DetaylıMarket Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne Tanıma
Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 2014 Mersin Üniversitesi Market Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne Tanıma Melih Evren Buruş 1,3, Rıdvan Salih
DetaylıMakine Öğrenmesi 11. hafta
Makine Öğrenmesi 11. hafta Özellik Çıkartma-Seçme Boyut Azaltma PCA LDA 1 Özellik Çıkartma Herhangi bir problemin makine öğrenmesi yöntemleriyle çözülebilmesi için sistemin uygun şekilde temsil edilmesi
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıMarket Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne Tanıma
Market Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne Tanıma Melih Evren Buruş 1, Rıdvan Salih Kuzu 2,3, Soyhan Beyazıt 1,3, Gül Varol 1,3 1 Boğaziçi Üniversitesi, Bilgisayar Mühendisliği Bölümü,
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veri Modelleri
Veritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veri Modelleri Konular Veritabanı Tasarım Aşamaları Veri Modeli Nedir? Veri Modeli Temel Bileşenleri İş Kuralları (Business Rules) İş Kurallarını Veri
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıPROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI
PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi
DetaylıBULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı
BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy
DetaylıBİYOMETRİK 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
DetaylıAMAÇ 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
Detaylıİçerik. Giriş 1/23/13. Giriş Problem Tanımı Tez Çalışmasının Amacı Metodoloji Zaman Çizelgesi. Doktora Tez Önerisi
İsmail ÇÖLKESEN 501102602 Doktora Tez Önerisi Tez Danışmanı : Prof.Dr. Tahsin YOMRALIOĞLU İTÜ Geoma*k Mühendisliği İçerik Giriş Tez Çalışmasının Amacı Zaman Çizelgesi 1 of 25 Giriş Yeryüzü ile ilgili yapılan
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden
DetaylıNOKTA BELİRLEME ALGORİTMALARI İLE OTOMATİK GÖRÜNTÜ EŞLEŞTIRME VE 3B KONUM TESPITI
NOKTA BELİRLEME ALGORİTMALARI İLE OTOMATİK GÖRÜNTÜ EŞLEŞTIRME VE 3B KONUM TESPITI Hayrettin ACAR 1, Fevzi KARSLI 2 1 Arş. Gör., Karedeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü, 61080, Trabzon,
DetaylıMADENİ YAĞ BİLGİ SİSTEMİ (MYBS) 2011 ATIK YÖNETİMİ SEMPOZYUMU
MADENİ YAĞ BİLGİ SİSTEMİ (MYBS) 2011 ATIK YÖNETİMİ SEMPOZYUMU Enver ERPEK 18 Nisan 2011 Antalya Sunum İçeriği Madeni yağ bilgi sistemini (MYBS) nedir? Veritabanı bilgi akım şeması Kullanıcı yetki ve rolleri
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Vize. İris Segmentation. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Vize İris Segmentation Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim program ve kaynak
DetaylıAnaliz Raporu. Projenin amacının, konusunun, işlevinin ne olacağı, hangi yazılımlar kullanılacak gibi parametrelerin belirlenmesi.
Grup İsmi Analiz Raporu Hüsna GÖÇER Merve SEYHAN Kısa Özet Projemiz Personel Takip Sistemi dir. Giriş ekranında iki tane ayrı kullanıcı girişi bulunmaktadır. Birincisi personel girişi, ikincisi yönetici
DetaylıN. Murat Arar, N. Kaan Bekmezci, Fatma Güney, Hazım K. Ekenel. Antalya, 22/04/2011
N. Murat Arar, N. Kaan Bekmezci, Fatma Güney, Hazım K. Ekenel Antalya, 22/04/2011 IEEE 19. Sinyal İşleme ve İletişim Uygulamaları Kurultayı http://www.cmpe.boun.edu.tr/pilab Giriş İlgili Çalışmalar Yöntem
DetaylıTüm Yönlü Kamera Kullanan Bir Mobil Robot ile Araç Altı Görüntüleme Sistemi
Tüm Yönlü Kamera Kullanan Bir Mobil Robot ile Araç Altı Görüntüleme Sistemi Caner Şahin, Mustafa Ünel Mühendislik ve Doğa Bilimleri Fakültesi Mekatronik Programı Sabancı Üniversitesi, İstanbul {canersahin,
DetaylıYüz Bulma ve Tanıma Sistemi
Yüz Bulma ve Tanıma Sistemi M. AKÇAY 1, Naciye Nur SARIBEY 2 1,2 Dumlupınar Üniversitesi, Bilgisayar Mühendisliği Bölümü, KÜTAHYA Makcay26@dpu.edu.tr, nnursaribey@gmail.com Özet: Günümüzde yüz tanıma sistemlerine
DetaylıCBS Arc/Info Kavramları
Arc/Info Kavramları Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi (ESRI) Environmental Systems Research Institute Dünyadaki 50 büyük yazılım şirketinden birisidir Pazarın 1/3
DetaylıBioAffix Ones Technology nin tescilli markasıdır.
BioAffix Ones Technology nin tescilli markasıdır. NEDEN BİYOMETRİK?DOĞRULAMA Biyometrik veri taklit edilemez, şifre gibi unutulamaz! Şifre olmadığı için, casus yazılımlara karşı güvenlidir! Biyometrik
DetaylıCoğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları
Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Sunan: Dr. Ufuk SAKARYA TÜBİTAK UZAY Katkıda Bulunanlar: Mustafa Teke, Can Demirkesen, Ramazan Küpçü, Hüsne Seda Deveci,
DetaylıTrafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,
DetaylıGörev Unvanı Alan Üniversite Yıl Prof. Dr. Elek.-Eln Müh. Çukurova Üniversitesi Eylül 2014
ÖZGEÇMİŞ 1. Adı Soyadı : MUSTAFA GÖK 2. Doğum Tarihi: : 1972 3. Unvanı : Prof. Dr. 4. Öğrenim Durumu Derece Alan Üniversite Yıl Lisans Elektronik Mühendisliği İstanbul Üniversitesi 1995 Yüksek Lisans Electrical
DetaylıTOPLAM KALİTE YÖNETİMİ
SAKARYA ÜNİVERSİTESİ TOPLAM KALİTE YÖNETİMİ Hafta 2 Yrd. Doç. Dr. Semra BORAN Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir. "Uzaktan Öğretim" tekniğine uygun olarak hazırlanan
DetaylıSIFT Metodu ile Hedef Takibi
SIFT Metodu ile Hedef Takibi Nazım ÖZGEN 1,.Müzeyyen SARITAŞ 1 Hava Kuvvetleri Komutanlığı, Çankaya, ANKARA nzmzgn@gmail.com Gazi Üniversitesi, Elektrik-Elektronik Mühendisliği Böl., Maltepe-ANKARA muzeyyen@gazi.edu.tr
DetaylıİNTERNET TARAYICISI ÜZERİNDE ÇALIŞABİLEN ELEKTRİK TALEP TAHMİNİ ANALİZ PROGRAMI
TMMOB TÜRKİYE VI. ENERJİ SEMPOZYUMU - KÜRESEL ENERJİ POLİTİKALARI VE TÜRKİYE GERÇEĞİ İNTERNET TARAYICISI ÜZERİNDE ÇALIŞABİLEN ELEKTRİK TALEP TAHMİNİ ANALİZ PROGRAMI Barış Sanlı Dünya Enerji Konseyi Türk
DetaylıBüyük boyutun laneti (Curse of Dimensionality)
Büyük boyutun laneti (Curse of Dimensionality) p Veri boyutu arttıkça örnekler (noktalar) uzay içinde çok fazla dağınık hale gelir. p Noktaların yoğunluğu ya da aralarındaki uzaklık bir çok problem için
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR
Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr
Detaylıİki 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
DetaylıLOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI
LOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI ŞEKİL TANIMA,2014 YRD. DOÇ. DR. M. ELİF K ARSLIGİL -------------------------------------------------- HAZIRLAYAN: M. AYYÜCE K I ZRAK 13505007
DetaylıGörüntüĐşlemede Yeni Bir Soluk, OpenCV
GörüntüĐşlemede Yeni Bir Soluk, OpenCV Arş. Gör. Bilgisayar Mühendisliği Bölümü Đstanbul Ticaret Üniversitesi OPENCV Açık kaynak kodlu Bilgisayarla Görme Kütüphanesi ( INTEL, C++ ) INTEL s OPEN SOURCE
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıGörüntü Eşleştirme Kullanan Temassız Ray Hattı Durum Analizi Yöntemi Contactless Rail Track Condition Analysis Approach Using Image Matching
Görüntü Eşleştirme Kullanan Temassız Ray Hattı Durum Analizi Yöntemi Contactless Rail Track Condition Analysis Approach Using Image Matching Orhan Yaman, Mehmet Karaköse, Erhan Akın Bilgisayar Mühendisliği
DetaylıT.C NAMIK KEMAL ÜNİVERSİTESİ ÇORLU MÜHENDİSLİK FAKÜLTESİ YÜZ TANIMA SİSTEMİ BİLGİSAYAR MÜHENDİSLİĞİ DANIŞMAN: YRD.DOÇ.DR.
T.C NAMIK KEMAL ÜNİVERSİTESİ ÇORLU MÜHENDİSLİK FAKÜLTESİ YÜZ TANIMA SİSTEMİ BİLGİSAYAR MÜHENDİSLİĞİ DANIŞMAN: YRD.DOÇ.DR. ERDİNÇ UZUN 1090606023-AYŞE MANDACI 1090606051-TÜLAY KARTAL 1090606052-İFFET URHAN
DetaylıYıldız 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
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 7 SIFT ve Öznitelik Eşleme Alp Ertürk alp.erturk@kocaeli.edu.tr Panorama Oluşturma Görüntü mozaikleme, panorama oluşturma gibi tüm uygulamalar için öncelikle ilgili görüntülerin
Detaylı91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik
DetaylıBiometrik tanıma ve kimlik doğrulama sistemleri (COMPE 551) Ders Detayları
Biometrik tanıma ve kimlik doğrulama sistemleri (COMPE 551) Ders Detayları Ders Adı Biometrik tanıma ve kimlik doğrulama sistemleri Ders Kodu COMPE 551 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
Detaylıİnsan Yüzü Resimlerinin Sorgulamaya Uygun ve Bölgelendirmeye Dayalı Kodlanması
1 Giriş: İnsan Yüzü Resimlerinin Sorgulamaya Uygun ve Bölgelendirmeye Dayalı Kodlanması Hatice Çınar, Ö Nezih Gerek Anadolu Üniversitesi, Elektrik-Elektronik Müh Böl, Eskişehir ongerek@anadoluedutr, hacinar@anadoluedutr
DetaylıLED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ. İsmail Serkan Üncü, İsmail Taşcı
LED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ İsmail Serkan Üncü, İsmail Taşcı To The Sources Of Light s Color Tempature With Image Processing Techniques
DetaylıEğitim Semineri Araştırmacının Alet Kutusu: Mendeley
Eğitim Semineri Araştırmacının Alet Kutusu: Mendeley Yrd.Doç.Dr. Mehmet Emin Mutlu, Anadolu Üniversitesi Açıköğretim Fakültesi Akademik çalışma yaparken literatür taraması temel bir işlemdir. Her akademisyenin
DetaylıPOSITION DETERMINATION BY USING IMAGE PROCESSING METHOD IN INVERTED PENDULUM
POSITION DETERMINATION BY USING IMAGE PROCESSING METHOD IN INVERTED PENDULUM Melih KUNCAN Siirt Üniversitesi, Mühendislik-Mimarlık Fakültesi, Mekatronik Mühendisliği Bölümü, Siirt, TÜRKIYE melihkuncan@siirt.edu.tr
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıGeliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma
Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),
DetaylıSYNCGUIDE. Çok Kanallı Ürün Bilgi Yönetimi. SYNCGUIDE, GDSN uyumlu veri senkronizasyonu ve ürün bilgisi yönetim sistemidir.
SYNCGUIDE Çok Kanallı Ürün Bilgi Yönetimi SYNCGUIDE, GDSN uyumlu veri senkronizasyonu ve ürün bilgisi yönetim sistemidir. İÇİNDEKİLER 3 GİRİŞ 4 ÜRÜN BİLGİ YÖNETİM GEREKSİNİMİ 6 SYNCGUIDE MİMARİSİ 8 SYNCGUIDE
DetaylıBilgisayarla Görme (EE 430) Ders Detayları
Bilgisayarla Görme (EE 430) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Bilgisayarla Görme EE 430 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i EE 275, MATH
DetaylıBioAffix Ones Technology nin tescilli markasıdır.
BioAffix Ones Technology nin tescilli markasıdır. ? NEDEN BİYOMETRİK DOĞRULAMA SUNUCU TABANLI BİYOMETRİK MICROSOFT WINDOWS OTURUM AÇMA UYGULAMASI Biyometrik veri taklit edilemez, şifre gibi unutulamaz!
DetaylıTMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon
TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 9 Stereo Görüntüleme Alp Ertürk alp.erturk@kocaeli.edu.tr Tek Kamera Geometrisi??? x Tek Kamera Geometrisi Tek Kamera Geometrisi İğne Deliği Kamera Modeli ) /, / ( ),, (
DetaylıLojistik Bilgi Teknolojileri ÖĞR. GÖR. MUSTAFA ÇETİNKAYA
Lojistik Bilgi Teknolojileri ÖĞR. GÖR. MUSTAFA ÇETİNKAYA LBT ulojistik Bilgi Teknolojileri temel olarak bilgisayar sistemlerini, bilgisayar ağlarını, bulut sistemlerini ve otomatik tanıma ve veri toplama
DetaylıSözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme
1 Cem Rıfkı Aydın, 1 Ali Erkan, 1 Tunga Güngör, 2 Hidayet Takçı 1 Boğaziçi Üniversitesi, 2 Cumhuriyet Üniversitesi Sözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme AB 14 7 Şubat 2014
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıKan Damarı Genişliği Değişiminin Ölçülmesinde Medikal Görüntü İşlemenin Uygulanması
Kan Damarı Genişliği Değişiminin Ölçülmesinde Medikal Görüntü İşlemenin Uygulanması Öğr. Gör. İsmail KAHRAMAN, Uzm. Vildan BAYRAM, Prof.Dr. Ertuğrul Ercan, Doç.Dr. Bahadır Kırılmaz Çanakkale 18 Mart Üniversitesi
DetaylıBİLGİSAYAR PROGRAMLARININ TASARIMLARINDAKİ VE KODLARINDAKİ SORUNLARIN BELİRLENMESİ ALPER FİLİZ MEHMET ALİ SERT
BİLGİSAYAR PROGRAMLARININ TASARIMLARINDAKİ VE KODLARINDAKİ SORUNLARIN BELİRLENMESİ ALPER FİLİZ 040080202 MEHMET ALİ SERT 040090521 SUNUM İÇERİĞİ Problem Tanımı Tespit Edilen Sorunlar Problemin Sonuçları
DetaylıÇok Yönlü Araç Takibi ve Sayımı Uygulaması
Karaelmas Fen ve Müh. Derg. 7(2):622-626, 2017 Karaelmas Fen ve Mühendislik Dergisi Dergi web sayfası: http://fbd.beun.edu.tr Araştırma Makalesi Geliş tarihi / Received : 09.04.2016 Kabul tarihi / Accepted
DetaylıDers Adı : Nesne Tabanlı Programlama-I Ders No : Teorik : 3 Pratik : 1 Kredi : 3.5 ECTS : 4. Ders Bilgileri.
Image not found http://bologna.konya.edu.tr/panel/images/pdflogo.png Ders Adı : Nesne Tabanlı Programlama-I Ders No : 0690130114 Teorik : 3 Pratik : 1 Kredi : 3.5 ECTS : 4 Ders Bilgileri Ders Türü Öğretim
DetaylıGörüntü 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
DetaylıGÖRÜNTÜSÜ 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
DetaylıSAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 29.09.2009 Y. Doç. Dr. Aybars UĞUR (529
DetaylıDijital (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
DetaylıİTME ANALİZİ KULLANILARAK YÜKSEK RİSKLİ DEPREM BÖLGESİNDEKİ BİR PREFABRİK YAPININ SİSMİK KAPASİTESİNİN İNCELENMESİ
İTME ANALİZİ KULLANILARAK YÜKSEK RİSKLİ DEPREM BÖLGESİNDEKİ BİR PREFABRİK YAPININ SİSMİK KAPASİTESİNİN İNCELENMESİ ÖZET: B. Öztürk 1, C. Yıldız 2 ve E. Aydın 3 1 Yrd. Doç. Dr., İnşaat Müh. Bölümü, Niğde
Detaylı03- Yrd. Doç. Dr. Veysel DEMĠRER in Yurtiçi Görevlendirilmesi ve Ders Telafisi.
TOPLANTI TARĠHĠ TOPLANTI SAYISI ALINAN KARAR SAYISI 14.04.2016 211 01-13 Fakülte Yönetim Kurulumuz Dekan Vekili Prof. Dr. Sedat AKTAN başkanlığında aşağıdaki gündem maddelerini görüşmek üzere toplanmıştır.
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıArcGIS ile Elektrik Dağıtımı Uygulamaları Eğitimi
ArcGIS ile Elektrik Dağıtımı Uygulamaları Eğitimi http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 30 Saat ArcGIS ile Elektrik Dağıtımı Uygulamaları
DetaylıCBS Arc/Info Kavramları
Arc/Info Kavramları Karadeniz Teknik Üniversitesi Orman Fakültesi Arc/Info 9.3? ArcGIS Desktop o ArcView: çok kapsamlı veri kullanımı, haritalama ve analizler üzerine odaklanır. o o ArcEditor: ArcView
DetaylıBMB204. Veri Yapıları Ders 12. Dizgi Eşleme (String Matching) Algoritmaları İleri Veri Yapıları
BMB204. Veri Yapıları Ders 12. Dizgi Eşleme (String Matching) Algoritmaları İleri Veri Yapıları Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Dersin Planı Dizgi Eşleme Algoritmaları
DetaylıÖğrenim Kazanımları Bu programı başarı ile tamamlayan öğrenci;
Image not found http://bologna.konya.edu.tr/panel/images/pdflogo.png Ders Adı : Grafik ve Animasyon-I Ders No : 0690130054 Teorik : 2 Pratik : 1 Kredi : 2.5 ECTS : 3 Ders Bilgileri Ders Türü Öğretim Dili
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıYrd.Doç. Dr. Tülin ÇETİN
Yrd.Doç. Dr. Tülin ÇETİN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Ege Üniversitesi Bilgisayar Mühendisliği 1987-1992 Lisans Celal Bayar Üniversitesi İnşaat Mühendisliği 2001-2004 Y. Lisans
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıAlgoritmalar. Arama Problemi ve Analizi. Bahar 2016 Doç. Dr. Suat Özdemir 1
Algoritmalar Arama Problemi ve Analizi Bahar 2016 Doç. Dr. Suat Özdemir 1 Arama Problemi Sıralama algoritmaları gibi arama algoritmaları da gerçek hayat bilgisayar mühendisliği problemlerinin çözümünde
DetaylıTÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.
Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında
DetaylıArcGIS for Desktop Giriş Eğitimi
ArcGIS for Desktop Giriş Eğitimi Eğitim Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS for Desktop Giriş Eğitimi Genel Esri yazılımları
DetaylıDers Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Sayısal Görüntü İşleme BIL413 7 3+0 3 5 Ön Koşul Dersleri Yok Dersin Dili Dersin Seviyesi Dersin Türü Türkçe Lisans Seçmeli / Yüz Yüze
DetaylıAKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI
AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI *Mehmet YÜCEER, **Erdal KARADURMUŞ, *Rıdvan BERBER *Ankara Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü Tandoğan - 06100
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıMEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction)
MEH535 Örüntü anıma 6. Boyut Azaltımı (Dimensionality Reduction) Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr
DetaylıMYO Öğrencilerinin Facebook Kullanım Sıklıkları. Mehmet Can HANAYLI
MYO Öğrencilerinin Facebook Kullanım Sıklıkları Mehmet Can HANAYLI İçerik Giriş Kuramsal Çerçeve İnternet Web 2.0 ve Sosyal Medya Facebook Sosyal Medya Reklamcılığı Bulgular Sonuç ve Öneriler Kaynaklar
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde
DetaylıArcGIS ile Tarımsal Uygulamalar Eğitimi
ArcGIS ile Tarımsal Uygulamalar Eğitimi Kursun Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS ile Tarımsal Uygulamalar Eğitimi Genel
DetaylıYaz.Müh.Ders Notları #6 1
YAZILIM MÜHENDİSLİĞİ Prof.Dr. Oya Kalıpsız BÖLÜM 2. YAZILIM PROJE YÖNETİMİ 1 2.1.0. GENEL BİLGİLER 2.1. YAZILIM PROJE YÖNETİMİ BİLEŞENLERİ Yazılım proje yönetimi; yazılım mühendisliği teknikleri, genel
DetaylıÇOK BANTLI STEREO HAVA FOTOĞRAFLARINDAN DOĞRUSAL ÇİZGİLERİN OTOMATİK GERİ-ÇATIMI İÇİN YENİ BİR YAKLAŞIM
ÇOK BANTLI STEREO HAVA FOTOĞRAFLARINDAN DOĞRUSAL ÇİZGİLERİN OTOMATİK GERİ-ÇATIMI İÇİN YENİ BİR YAKLAŞIM A.Ö. Ok 1, J.D. Wegner 2, C. Heipke 2, F. Rottensteiner 2, U. Sörgel 2, V. Toprak 1 1 Orta Doğu Teknik
DetaylıDERS BİLGİ FORMU. IV Türkçe Zorunlu Ders. Haftalık. Ders. Okul Eğitimi Süresi. Saati
DERS BİLGİ FORMU DERSİN ADI SİSTEM ANALİZİ VE TASARIMI I BÖLÜM PROGRAM DÖNEMİ DERSİN DİLİ DERS KATEGORİSİ ÖN ŞARTLAR SÜRE VE DAĞILIMI KREDİ DERSİN AMACI ÖĞRENME ÇIKTILARI VE YETERLİKLER DERSİN İÇERİĞİ
DetaylıBaşlıca Ürün-Bilgi Sistemleri
BİLGİ SİSTEMLERİ Başlıca Ürün-Bilgi Sistemleri Süreç İşleme Sistemleri, Ofis Otomasyon Sistemleri ve Bilgi İşleme Sistemleri, Yönetim Bilişim Sistemleri, Karar Destek Sistemleri, Uzman Sistemler ve Yapay
Detaylı