ÖZYÜZ VE GÖRÜNTÜ ĠġLEME TEKNĠKLERĠ ĠLE SINIF YOKLAMA UYGULAMASI
|
|
- Gözde Kaptan
- 8 yıl önce
- İzleme sayısı:
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
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.
DetaylıProgram 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,
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
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
DetaylıPratik Maliyet ve Karlılık
Doküman Kodu : TNS005 İlk Yayın Tarihi : Temmuz 2017 Revizyon Tarihi : Temmuz 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ PRATĠK MALĠYET VE KARLILIK Alım Net Fiyatı SatıĢ Karlılık Mal Varlığı Ortalama Maliyet
DetaylıĠÇERĠK GENEL BĠLGĠ. Doküman Yönetimi
Doküman Kodu : NAS002 İlk Yayın Tarihi : Şubat 2017 Revizyon Tarihi : Şubat 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ Doküman Grid Yapısı Aç DeğiĢtir Yeni Listeden Kaldır EK ĠġLEMLER Vio Adımlarında Doküman
DetaylıProgram akıģı sırasında belirtilen satır numaralı yere gitmek için kullanılır. Genel formu: [<satır numarası>] GOTO <satır numarası 1> GOTO n
KONTROL DEYİMLERİ Kontrol deyimleri bir programın normal akıģını değiģtirmek için kullanılır. Aksi söylenmedikçe programın komut satırları birbiri ardına çalıģtırılır. Program içindeki yapılan sorgulamalara
DetaylıTAŞINIR 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
DetaylıÖLÇME 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
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
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
DetaylıBanka Hesap Tanımı ĠÇERĠK
Doküman Kodu : MST005 İlk Yayın Tarihi : Ocak 2017 Revizyon Tarihi : Ocak 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ BANKA HESAP TANIMI Genel Sekmesi Diğer Sekmesi GeliĢmiĢ Sekmesi EK ĠġLEMLER Banka Hesap
DetaylıSeri No Takibi İÇERİK
Doküman Kodu : TNS008 İlk Yayın Tarihi : Mart 2018 Revizyon Tarihi : Mart 2018 Revizyon No : 1 İÇERİK GENEL BĠLGĠ SERĠ NO TAKĠBĠ Seri No Seri No Parametre Seçimi ile Stok menü Stok kart Alım genel parametreleri
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
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
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıÖğrenci 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
DetaylıHESAP 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
DetaylıGRAFĠKLER. 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
DetaylıT.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
Detaylı1. 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
DetaylıToplu DeğiĢiklik ĠÇERĠK
Döküman Kodu : NAS005 İlk Yayın Tarihi : Mart 2017 Revizyon Tarihi : Mart 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ TOPLU DEĞĠġTĠRME ĠġLEMĠ Toplu DeğiĢtir Toplu DeğiĢtirici ĠĢlemi EK ĠġLEMLER Toplu DeğiĢtiricide
DetaylıTicari SipariĢ DönüĢümleri
Döküman Kodu : TNS002 İlk Yayın Tarihi : Mayıs 2017 Revizyon Tarihi : Mayıs 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ SĠPARĠġ -> ĠRSALĠYE DÖNÜġÜMÜ Seçerek DönüĢüm Toplu ve Ekrana DönüĢüm Toplu Doğrudan DönüĢüm
DetaylıÖĞRENME 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
DetaylıBir Tek Nöron Kullanılarak Resimler Đçerisinde Göz Kısmının Bulunması
KSÜ Fen ve Mühendislik Dergisi, 11(1), 008 59 KSU Journal of Science and Engineering, 11(1), 008 Bir Tek Nöron Kullanılarak Resimler Đçerisinde Göz Kısmının Bulunması Yavuz Selim ĐŞLER, Metin ARTIKLAR
Detaylıİçindekiler 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...
DetaylıÖZDEĞERLER- ÖZVEKTÖRLER
ÖZDEĞERLER- ÖZVEKTÖRLER GİRİŞ Özdeğerler, bir matrisin orijinal yapısını görmek için kullanılan alternatif bir yoldur. Özdeğer kavramını açıklamak için öncelikle özvektör kavramı ele alınsın. Bazı vektörler
DetaylıTÜBİTAK BİDEB LİSE ÖĞRETMENLERİ-FİZİK, KİMYA, BİYOLOJİ, MATEMATİK- PROJE DANIŞMANLIĞI EĞİTİMİ ÇALIŞTAYI (LİSE-4 [ÇALIŞTAY 2014])
TÜBİTAK BİDEB LİSE ÖĞRETMENLERİ-FİZİK, KİMYA, BİYOLOJİ, MATEMATİK- PROJE DANIŞMANLIĞI EĞİTİMİ ÇALIŞTAYI (LİSE-4 [ÇALIŞTAY 2014]) MATEMATİK PROJE RAPORU GRUP ŞİFRELEYİCİLER PROJE ADI e nin Gizemi PROJE
DetaylıMATLAB A GİRİŞ. EE-346 Hafta-1 Dr. Ayşe DEMİRHAN
MATLAB A GİRİŞ EE-346 Hafta-1 Dr. Ayşe DEMİRHAN MATLAB Teknik ve bilimsel hesaplamalar için yazılmış yüksek performanslı bir yazılım geliştirme aracı MATrix LABoratory (MATLAB) Boyutlandırma gerekmeyen
DetaylıDESTEK DOKÜMANI KAYIT NUMARALAMA ŞABLONLARI
KAYIT NUMARALAMA ŞABLONLARI Kayıt numaralama özelliği; firmaya ait işlemlerde kullanılan belgelerin, firmaya özel numaralar ile kaydedilip izlenmesine imkan tanır. Ticari sistemde fiş ve faturalara ait
DetaylıMEDULA 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
DetaylıGörüntüden OpenCV ile Duygu Analizi
Görüntüden OpenCV ile Duygu Analizi Mehmet Emin Tenekeci 1, Abdülkadir Gümüşçü 2, Emrah Aslan 1 1 Harran Üniversitesi, Bilgisayar Mühendisliği Bölümü, Şanlıurfa 2 Harran Üniversitesi, Elektrik-Elektronik
DetaylıFIRAT 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
DetaylıAlgoritma ve Programlama II Dersi 3.ÖDEVĠ
Algoritma ve Programlama II Dersi 3.ÖDEVĠ 1. 3 boyutlu uzayda koordinatları dıģarıdan girilen bir üçgenin normalini ve açılarını bulan programı yazınız. 3 boyutlu uzaydaki bir V vektörünün x,y ve z koordinatları
DetaylıHukuk 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
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
DetaylıGörüntüden OpenCV ile Duygu Analizi
Görüntüden OpenCV ile Duygu Analizi Mehmet Emin Tenekeci 1, Abdülkadir Gümüşçü 2, Ahmet Baytak 1, Emrah Aslan 1 1,3 Harran Üniversitesi, Bilgisayar Mühendisliği Bölümü, Şanlıurfa 2 Harran Üniversitesi,
DetaylıSELÇUK ÜNĠVERSĠTESĠ REKTÖRLÜĞÜ Öğrenci ĠĢleri Daire BaĢkanlığı Otomasyon ġube Müdürlüğü
1-YENĠ KAYIT ÖSYS SÜRECĠ SELÇUK ÜNĠVERSĠTESĠ REKTÖRLÜĞÜ SÜREÇ ADI Yeni Kayıt-ÖSYS Süreci SÜREÇ NO 1 SÜREÇTEN SORUMLU ġube MÜDÜRLÜĞÜ SÜRECĠN SORUMLULARI SÜREÇ ORGANĠZASYON ĠLĠġKĠSĠ ÜST SÜRECĠ SÜRECĠN AMACI
DetaylıAKINSOFT. 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
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),
Detaylıİçindekiler Tablosu Nakit Akış Programı...3
İçindekiler Tablosu Nakit Akış Programı...3 1.Özellikler..3 2.Kullanım 4 2.1. Nakit Akış Programı Ana Tablo İçeriği..4 2.2. Üst Menü İçeriği..6 2.2.1. Ayarlar Menü.....6 2.2.2. Yönetim Menü...8 2.3. Alt
Detaylık ise bir gerçek sayı olsun. Buna göre aşağıdaki işlemler Matlab da yapılabilir.
MATRİS TRANSPOZU: Bir matrisin satırlarını sütun, sütunlarınıda satır yaparak elde edilen matrise transpoz matris denilir. Diğer bir değişle, eğer A matrisi aşağıdaki gibi tanımlandıysa bu matrisin transpoz
DetaylıMapCodeX 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
DetaylıEğer 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
DetaylıProgramın 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
DetaylıUzaktan Eğitim Uygulama ve Araştırma Merkezi
JAVA PROGRAMLAMA Öğr. Gör. Utku SOBUTAY İÇERİK 2 Java Kodlarına Yorum Satırı Eklemek Java Paket Kavramı Java Kütüphane Kavramı Konsoldan Veri Çıkışı ve JOPtionPane Kütüphanesi JOptionPane Kütüphanesi Kullanarak
DetaylıFİLTRELEME YÖNTEMİ İLE DİGİTAL GÖRÜNTÜ ZENGİNLEŞTİRME VE ÖRNEK BİR YAZILIM. ÖzĢen ÇORUMLUOĞLU b , Selçuklu, Konya. GümüĢhane
FİLTRELEME YÖNTEMİ İLE DİGİTAL GÖRÜNTÜ ZENGİNLEŞTİRME VE ÖRNEK BİR YAZILIM Cihan ALTUNTAġ a*, ÖzĢen ÇORUMLUOĞLU b a Selçuk Üniversitesi, Mühendislik Mimarlık Fakültesi, Harita Mühendisliği Bölümü, 42075,
DetaylıYAPAY 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
DetaylıHafta 1 Sayısal Görüntü İşlemeye Giriş ve Temel Adımlar
BLM429 Görüntü İşlemeye Giriş Hafta 1 Sayısal Görüntü İşlemeye Giriş ve Temel Adımlar Yrd. Doç. Dr. Caner ÖZCAN Fall in love with the process, and the results will come. ~ Eric Thomas Derse Giriş Ders
DetaylıFatura 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,
DetaylıAtabek Koleji 3.Sınıflar 1.Matematik Olimpiyatı 16 Nisan 2011
1) ÖĞRETMEN Kendisiyle çarpımı ve kendisiyle toplamı eģit olan sayma sayısı kaçtır? Öğretmenin sorusunu hangi öğrenci doğru cevaplamıģtır? 3) Bir sınıftaki öğrencilerin ü kızdır. Erkeklerin sayısı 22 olduğuna
Detaylıwww.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
DetaylıWeb 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
DetaylıĠÇERĠK GENEL BĠLGĠ. Ayrım Sahaları
Döküman Kodu : NAS003 İlk Yayın Tarihi : Şubat 2017 Revizyon Tarihi : Şubat 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ Tanımı Ayrım Detayları Tanımı EK ĠġLEMLER Cari Hesap Cari Hesap Ayrım Detayları Hizmet
DetaylıMatbaa ĠÇERĠK. Doküman Kodu : TNS009 İlk Yayın Tarihi : Mayıs 2018 Revizyon Tarihi : Mayıs 2018 Revizyon No : 1
Doküman Kodu : TNS009 İlk Yayın Tarihi : Mayıs 2018 Revizyon Tarihi : Mayıs 2018 Revizyon No : 1 Matbaa ĠÇERĠK GENEL BĠLGĠ MATBAA Matbaa ĠĢlemleri Matbaa Parametreleri MüĢteri SipariĢ ve anlaģma Kayıtları
DetaylıProf.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
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıYrd. Doç. Dr. A. Burak İNNER
Yrd. Doç. Dr. A. Burak İNNER Kocaeli Üniversitesi Bilgisayar Mühendisliği Yapay Zeka ve Benzetim Sistemleri Ar-Ge Lab. http://yapbenzet.kocaeli.edu.tr Ders Adı : Bilgisayar Mühendisliğinde Matematik Uygulamaları
DetaylıBİLGİSAYAR 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
DetaylıKurum Girişi
1. Sisteme Giriş http://e-yaygin.meb.gov.tr/login.aspx Adresine girilip almış olduğunuz kullanıcı adı ve şifre yazılıp Kurum Girişi butonu aracılığı ile sisteme giriş yapılır. 2. Kurum İşlemleri Modülü
DetaylıDövizli 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...
Detaylı1-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
DetaylıPERSONEL 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.
DetaylıProjenin 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,
DetaylıNCTS 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
DetaylıBEŞHEKİM GRUP AYBEL YAZILIM İBYS PROGRAMI KULLANIMI
BEŞHEKİM GRUP AYBEL YAZILIM İBYS PROGRAMI KULLANIMI PROGRAM İNDİRME : Beşhekim grup Aybel Yazılım İbys programımızı http://aybelsoft.com/uploads/aybelsoft-ibys.rar linkinden programı indirebilirsiniz.
DetaylıDENEME 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
DetaylıFIRAT 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
DetaylıKanonik 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,
DetaylıTicari Ġrsaliye DönüĢümleri
Döküman Kodu : TNS003 İlk Yayın Tarihi : Mayıs 2017 Revizyon Tarihi : Mayıs 2017 Revizyon No : 1 ĠÇERĠK GENEL BĠLGĠ ĠRSALĠYE -> FATURA DÖNÜġÜMÜ Seçerek DönüĢüm Toplu ve Ekrana DönüĢüm Toplu Doğrudan DönüĢüm
Detaylı13 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
DetaylıMicrosoft 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
DetaylıFortran komut satırı toplam 80 kolon ve 5 bölgeden oluģur. Komut satırının yapısı aģağıdaki gibidir:
FORTRAN (FORmula TRANslation) Fortran komut satırı toplam 80 kolon ve 5 bölgeden oluģur. Komut satırının yapısı aģağıdaki gibidir: 1 2...5 6 7...72 73...80 A B C D E A Bölgesi: (1. kolon) B Bölgesi: (2-5
DetaylıEXCEL 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
DetaylıMatematik I: Analiz und Lineer Cebir I Sömestr Ders Saati D 2 U 2 L 1 AKTS 6 Lisans/ Yüksek Lisans Lisans Dersin Kodu MAT 106 Sömestr 2
Dersin Adı Matematik I: Analiz und Lineer Cebir I Sömestr Ders Saati D 2 U 2 L 1 AKTS 6 Lisans/ Yüksek Lisans Lisans Dersin Kodu MAT 106 Sömestr 2 Dersin Dili Almanca Dersi Veren(ler) Yrd. Doç. Dr. Adnan
DetaylıBİLGİSAYAR PROGRAMLAMA. Yrd. Doç. Dr. Beytullah EREN
BİLGİSAYAR PROGRAMLAMA Yrd. Doç. Dr. Beytullah EREN beren@sakarya.edu.tr 0264 295 5642 EXCEL DE DOĞRULAMA VE DENETLEME DOĞRULAMA Bir hücre grubuna veri girişi için doğrulama kriterleri (tamsayı, ondalıklı,
DetaylıMATLAB a GİRİŞ. Doç. Dr. Mehmet İTİK. Karadeniz Teknik Üniversitesi Makine Mühendisliği Bölümü
MATLAB a GİRİŞ Doç. Dr. Mehmet İTİK Karadeniz Teknik Üniversitesi Makine Mühendisliği Bölümü İçerik: MATLAB nedir? MATLAB arayüzü ve Bileşenleri (Toolbox) Değişkenler, Matris ve Vektörler Aritmetik işlemler
DetaylıMTM 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
DetaylıATATÜRK 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
DetaylıPrograma 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
Detaylı1. 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
DetaylıT.C. ORTA KARADENİZ KALKINMA AJANSI GENEL SEKRETERLİĞİ. YURT ĠÇĠ VE DIġI EĞĠTĠM VE TOPLANTI KATILIMLARI ĠÇĠN GÖREV DÖNÜġ RAPORU
YURT ĠÇĠ VE DIġI EĞĠTĠM VE TOPLANTI KATILIMLARI ĠÇĠN GÖREV DÖNÜġ RAPORU Adı Soyadı : Doç. Dr. Mustafa GÜLER, Dilem KOÇAK DURAK, Fatih ÇATAL, Zeynep GÜRLER YILDIZLI, Özgür Özden YALÇIN ÇalıĢtığı Birim :
DetaylıTanımlar, 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
DetaylıTIBBI MALZEME REÇETELERİ
SISOFT HEALTHCARE INFORMATION SYSTEMS SĠSOFT SAĞLIK BĠLGĠ SĠSTEMLERĠ TIBBI MALZEME REÇETELERİ Sayfa No : 2 / 15 DEĞİŞİKLİK N0 TARİH YAYIN VE DEĞİŞİKLİK İÇERİĞİ DEĞİŞİKLİĞİ YAPAN 0 05.10.2018 Yürürlüğe
DetaylıBilgisayar Destekli Haritacılık 2017/ D ve Veri Değişimi. Netcad 7.6
B Bilgisayar Destekli Haritacılık 2017/2018 3D ve Veri Değişimi Netcad 7.6 Kartoğrafya Kartografya Anabilim Dalı Dalı Dalı 2018 K T Ü H a r i t a M ü h e n d i s l i ğ i 3D+: 'NETCAD 3D+', kent ve arazi
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıİÇERİK YÖNETİM SİSTEMİ KULLANMA KILAVUZU
T.C. SÜLEYMAN DEMĠREL ÜNĠVERSĠTESĠ BĠLGĠ ĠġLEM DAĠRE BAġKANLIĞI İÇERİK YÖNETİM SİSTEMİ KULLANMA KILAVUZU Hazırlayanlar Mahmut ÖZDEMĠR Sezgin SERPEN Yönetim Paneli Kullanımı Sistemin yönetim paneline giriģ
Detaylıİlgili 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
DetaylıENF182 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
DetaylıSorumluluk Sınavlarının Hazırlanması YABİL. Sınav Planlama Programı İş
YABİL Sınav Planlama Programı İş Adımları @2018 Yazılım Bilgisayar ve Elektronik Sistemleri Sanayi ve Ticaret Limited Şirketi 6007/13 Sok. No:2 D:1 Karşıyaka / İZMİR Gsm: 0-532-7444599 / 0-545-2533545
DetaylıSihirbaz 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
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
DetaylıÖĞRENME FAALĠYETĠ 4 ÖĞRENME FAALĠYETĠ 4 4. SAYFA YAPISI
ÖĞRENME FAALĠYETĠ 4 AMAÇ ÖĞRENME FAALĠYETĠ 4 Bu faaliyette verilen bilgiler doğrultusunda hazırlamıģ olduğunuz belgenin özelliğine göre sayfa yapısı ve yazdırma ayarlarını hatasız yapabileceksiniz. ARAġTIRMA
DetaylıGIDA 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
DetaylıExcel 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
DetaylıEĞİTİM-ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ VE YAZILIM DERSİ 6. SINIF 2. DÖNEM 2. SINAV ÇALIŞMA NOTLARI
2015-2016 EĞİTİM-ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ VE YAZILIM DERSİ 6. SINIF 2. DÖNEM 2. SINAV ÇALIŞMA NOTLARI MİCROSOFT EXCEL PROGRAMI Programın Açılışı: Başlat Tüm Programlar Microsoft Office Microsoft
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
DetaylıMOD419 Görüntü İşleme
MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle
Detaylı