Öğrenme yönetim sistemlerinde derse katılım durumunun yüz tanıma teknolojisi ile belirlenmesi

(1)

ÖĞRENME YÖNETİM SİSTEMLERİNDE DERSE KATILIM DURUMUNUN YÜZ TANIMA TEKNOLOJİSİ İLE BELİRLENMESİ

Mehmet Emin UĞUR Yüksek Lisans Tezi

Elektrik – Elektronik Mühendisliği Anabilim Dalı Haziran – 2018

(2)

ÖĞRENME YÖNETİM SİSTEMLERİNDE DERSE KATILIM DURUMUNUN YÜZ TANIMA TEKNOLOJİSİ İLE BELİRLENMESİ

Mehmet Emin UĞUR

Dumlupınar Üniversitesi

Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliği Uyarınca

Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalında YÜKSEK LİSANS TEZİ

Olarak Hazırlanmıştır.

Danışman : Dr. Öğr. Üyesi Durmuş ÖZDEMİR

(3)

KABUL VE ONAY SAYFASI

2,5 tam aralık

MEHMET EMİN UĞUR’un YÜKSEK LİSANS tezi olarak hazırladığı “Öğrenme Yönetim Sistemlerinde Derse Katılım Durumunun Yüz Tanıma Teknolojisi ile Belirlenmesi” başlıklı bu çalışma, jürimizce Dumlupınar Üniversitesi Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliğinin ilgili maddeleri uyarınca değerlendirilerek kabul edilmiştir.

21/06/2018 Prof. Dr. Önder UYSAL

Enstitü Müdürü, Fen Bilimleri Enstitüsü

1 tam aralık

Prof. Dr. Mehmet Ali EBEOĞLU

Bölüm Başkanı, Elektrik-Elektronik Mühendisliği Bölümü

2 tam aralık

Dr. Öğr. Üyesi Durmuş ÖZDEMİR

Danışman, Bilgisayar Mühendisliği Bölümü

Sınav Komitesi Üyeleri

Doç. Dr. Eyyüp GÜLBANDILARm aralık

Bilgisayar Mühendisliği Bölümü, Eskişehir Osmangazi Üniversitesi Dr. Öğr. Üyesi Fırat AYDEMİR

Bilgisayar Mühendisliği Bölümü, Dumlupınar Üniversitesi Dr. Öğr. Üyesi Durmuş ÖZDEMİR

Bilgisayar Mühendisliği Bölümü, Dumlupınar Üniversitesi

(4)

ETİK İLKE VE KURALLARA UYGUNLUK BEYANI

Bu tezin hazırlanmasında Akademik kurallara riayet ettiğimizi, özgün bir çalışma olduğunu ve yapılan tez çalışmasının bilimsel etik ilke ve kurallara uygun olduğunu, çalışma kapsamında teze ait olmayan veriler için kaynak gösterildiğini ve kaynaklar dizininde belirtildiğini, Yüksek Öğretim Kurulu tarafından kullanılmak üzere önerilen ve Dumlupınar Üniversitesi tarafından kullanılan İntihal Programı ile tarandığını ve benzerlik oranının % 3 çıktığını beyan ederiz. Aykırı bir durum ortaya çıktığı takdirde tüm hukuki sonuçlara razı olduğumuzu taahhüt ederiz.

Dr. Öğr. Üyesi Durmuş ÖZDEMİR Mehmet Emin UĞUR

(5)

ÖĞRENME YÖNETİM SİSTEMLERİNDE DERSE KATILIM DURUMUNUN YÜZ TANIMA TEKNOLOJİSİ İLE BELİRLENMESİ

Mehmet Emin UĞUR

Elektrik – Elektronik Mühendisliği, Yüksek Lisans Tezi, 2018 Tez Danışmanı: Dr. Öğr. Üyesi Durmuş ÖZDEMİR

ÖZET

Yaşamımızın her alanında yoğun bir şekilde kullanılan bilişim teknolojileri eğitim alanında da öğretim teknolojileri olarak kullanılmakta ve bu alanda sürekli gelişim göstermektedir. Özellikle fırsat eşitliğinin sağlanamadığı veya imkanların sınırlı olduğu durumlarda öğretim teknolojileri kullanılarak her zaman ve her yerde öğrenme (ubiquitous learning) amacıyla uzaktan eğitim gerçekleştirilebilmektedir. Eğitim hizmetlerinin olmazsa olmazı durumuna gelen uzaktan eğitim pek çok faydalı özelliğe sahiptir. Literatür incelendiğinde, uzaktan eğitimin yer, zaman, bilişim araçlarının ortak kullanımı, gerek duyulan kaynaklara erişimdeki kolaylıklar ve fayda-maliyet açısından oldukça avantajlı bir öğretim ortamı sunduğu anlaşılmaktadır. Ancak uzaktan eğitimde kullanılan Öğrenme Yönetim Sistemleri (LMS-Learning Management System) ile ilgili katılımcıların etkinliklere hangi oranda katılım sağladıklarına dair durumun tespit edilmesinde sorun olduğu saptanmıştır. Katılımcı LMS’de kullanıcı bilgilerini kullanarak etkinliğe erişim sağladığında etkinliğe katılım bilgisi tutulmaktadır. Ancak katılımcının eğitimi alması gereken kişi olup olmadığı ve verilen eğitimi aktif olarak takip edip etmediği şu anki sistemler ile bilinmemektedir. Bu bağlamda yapılan çalışma ile uzaktan eğitimde derse katılımı tespit etmek, daha fazla aktif katılımı sağlamak ve dolaylı olarak başarıyı artırmak amaçlanmış ve yüz tanıma algoritmaları kullanılarak bir tasarım modeli sunulmuştur. Modelin uygulanabilirliği için özel filtreler kullanılarak testler yapılmış olup örnek sayısının arttığı durumlarda %80’in üzerinde doğruluk sağlanmıştır. Önerilen tasarım modeli Visual Studio 2015 C#.Net platformunda, EmguCV görüntü işleme kütüphaneleri ve SQL Server 2017 kullanılarak geliştirilmiştir.

(6)

DETERMINATION OF PARTICIPATION SITUATION IN LEARNING MANAGEMENT SYSTEMS BY FACE RECOGNITION TECHNOLOGY

Mehmet Emin UĞUR

Electrical – Electronic Engineering, M.S.Thesis, 2018 Thesis Supervisor: Assist.Prof. Durmuş ÖZDEMİR

SUMMARY

Information technologies that are used intensively in every field are also used as teaching technologies in the field of education and this field is continuously developing. Especially when opportunity equality is not provided or possibilities are limited, in order to teach anytime and anywhere, distance education is carried out using teaching technologies. Distance education, which is a sine qua non of educational services, has many useful features. When the literature is examined, it is understood that distance education provides a highly advantageous teaching environment in terms of location, time, common use of communication tools, accessibility to necessary resources and cost-benefit. However, it has been determined that there is a problem in determining where the attendants related to the LMS-Learning Management System used in distance education have participated in the events. Attendance information is held when LMS accesses the event using user information. However, it is not known with the present systems that the participant is the person to be trained and whether or not the given training is actively pursuing. With this study, it was aimed to determine course participation in distance education, to provide more active participation and indirectly increase the success, and a design model was presented using face recognition algorithms. For the applicability of the model, special filters were used and the accuracy was over 80% when the number of samples increased. The recommended design model was developed using Visual Studio 2015 C # .Net platform, EmguCV image processing libraries, and SQL Server 2017.

(7)

TEŞEKKÜR

Bu çalışmanın hazırlık süresince ve yüksek lisans öğrenimim boyunca benimle her türlü deneyim ve bilgiyi paylaşan çok değerli danışman hocam Dr. Öğr. Üyesi Durmuş ÖZDEMİR’e en içten dileklerimle teşekkür ederim.

Öğrenim hayatım boyunca desteğini hep yanımda hissettiğim eşim Sibel UĞUR’a, tez süreçlerindeki katkılarıyla bana çok yardımcı olan kardeşim Emrullah UĞUR’a, aileme ve emeği geçen herkese sonsuz teşekkürlerimi sunarım.

(8)

İÇİNDEKİLER Sayfa ÖZET ... v SUMMARY ... vi ŞEKİLLER DİZİNİ ... x ÇİZELGELER DİZİNİ ... xi

SİMGELER VE KISALTMALAR DİZİNİ ... xii

1. GİRİŞ ... 1

1.1. Problem Durumu ve Gerekçesi ... 1

1.2. Çalışmanın Amacı ... 2

1.3. Çalışmanın Önemi ... 2

1.4. Varsayımlar ... 2

1.5. Sınırlılıklar ... 3

2. KURAMSAL ÇERÇEVE VE İLGİLİ ARAŞTIRMALAR ... 4

2.1. Eğitim Sistemi ve Güncel Yaklaşımlar/Yöntemler ... 4

2.2. Uzaktan Eğitim ... 4

2.3. Öğrenme Yönetim Sistemleri... 5

2.3.1. Ticari öğrenme yönetim sistemleri (http://selecthub.com) ... 5

2.3.2. Açık kaynak kodlu öğrenme yönetim sistemleri... 5

2.4. Türkiye’de Öğrenme Yönetim Sistemleri Kullanımı ... 7

2.5. Derse Katılımın Başarıya Etkisi ... 7

2.6. Uzaktan Eğitim Sistemlerine Erişimde Kimlik Güvenirliği ... 8

2.7. Biyometrik Sistemler ... 8

2.7.1. Yüz tanıma sistemi ... 11

2.7.2. Yüz tanıma uygulama alanları ... 12

2.8. Yüz Tespitinde Kullanılan Yöntemler ... 13

2.8.1. Bilgi tabanlı yöntem ... 13

2.8.2. Özellik tabanlı yöntemler ... 14

2.8.3. Şablon eşleme yöntemleri ... 14

2.8.4. Görünüm tabanlı yöntemler ... 14

2.9. Yüz Tanıma Teknikleri ... 15

(9)

İÇİNDEKİLER(devam)

Sayfa

2.9.2. Fisher yaklaşımı ... 17

2.9.3. Yerel ikili örüntüler yaklaşımı (LBP) ... 17

2.9.4. Ölçekten bağımsız özellik dönüşümü (SIFT) ... 18

2.9.5. Hızlandırılmış gürbüz öznitelikler (SURF)... 18

2.10. Yüz Tanımadaki Zorluklar ... 18

2.10.1. Görüntü kalitesi ... 18

2.10.2. Aydınlatma sorunu ... 18

2.10.3. Poz varyasyonu ... 19

3. MATERYAL, METOT VE UYGULAMA ... 20

3.1. OpenCV Kütüphanesi ... 20 3.1.1. CV kütüphanesi ... 20 3.1.2. CXCore ... 21 3.1.3. HIGHGUI ... 21 3.1.4. ML ... 22 3.1.5. CVAUX ... 22

3.2. C# Dilinde Özyüz Yöntemi ile Kontrollü Uzaktan Eğitim Sistemi Geliştirilmesi ... 22

3.3. Giriş Ekranı (WebCam-Veri tabanı)... 24

3.4. Giriş Görüntüleme Ekranı ... 26

3.5. Ders/Konu Seçim Ekranı ... 27

3.6. Eğitim Ekranı... 28

3.7. Kayıt Ekranı... 30

3.8. Ayar Ekranı ... 32

3.9. Rapor Ekranı ... 32

3.10. Eigen Object Recognizer ... 34

3.11. Uygulamada Kullanılan OpenCV ve EmguCV Kütüphaneleri ... 35

4. SONUÇLAR ... 36

5. TARTIŞMA ... 39

6. ÖNERİLER ... 40

KAYNAKLAR DİZİNİ ... 41 ÖZGEÇMİŞ

(10)

ŞEKİLLER DİZİNİ

Şekil Sayfa

2.1. Kişisel Verilerin Karşılaştırılması ... 9

2.2. Avuç İçi Damar İzinin Görüntü İşleme Teknikleri ile İşlenmesi Örneği ... 10

2.3. Yüz Tanıma Algoritması ... 12

2.4. Bilgiye Dayalı Yukarıdan Aşağı Yöntemlerde Kullanılan Tipik Bir Yüz ... 14

3.1. cvCanny Örneği (Bradski ve Kaehler, 2008) ... 21

3.2. Uygulamanın Temel İşlevleri ... 23

3.3 Sistem Mimarisi ... 23

3.4. Giriş Ekranı UML Diyagramı ... 24

3.5. Giriş Ekranı (Kullanıcı Girişi) ... 25

3.6. Giriş Ekranı (Yönetici Girişi) ... 25

3.7. Giriş Görüntüleme Ekranı UML Diyagramı ... 26

3.8. Giriş Görüntüleme Ekranı ... 26

3.9. Ders/Konu Seçimi UML Diyagramı ... 27

3.10. Ders/Konu Seçimi Ekranı ... 28

3.11. Eğitim Ekranı ... 28

3.12. Eğitim Ekranı UML Diyagramı ... 29

3.13. Kayıt Ekranı UML Diyagramı ... 30

3.14. Kayıt Ekranı ... 31

3.15. Ayar Ekranı ... 31

3.16. Yüz Tanımada Yüksek Doğruluk Yakalamak İçin Gerekli Olan Durumlar ... 32

3.17. Rapor Ekranı UML Diyagramı ... 32

3.18. Rapor Ekranı ... 33

3.19. Uygulama Oturum Bilgileri Ekran Görüntüsü ... 34

3.20. Yüz Tanıma Sınıfı UML Diyagramı ... 34

(11)

ÇİZELGELER DİZİNİ

Çizelge Sayfa

2.1. Dünyada Yaygın Olarak Kullanılan Öğrenme Yönetim Sistemleri ... 5

2.2. Yaygın Olarak Kullanılan LMS'lerin Niteliklerine Göre Karşılaştırılması ... 6

2.3. Akademik Başarı ile Derse Katılım Arasındaki İlişkiye Yönelik Yapılan Araştırma Sonucu ... 8

2.4. Biyometrik Bilgilerin Özellikleri ... 10

4.1. Yale Veri Tabanından Örnek Veri Seti ... 36

4.2. Normal Görüntünün Veri Tabanındaki Diğer Görüntülerle Eşleşme Sonuçları ... 37

4.3. Normal ve Gözlüksüz Görüntülerin Veri Tabanındaki Diğer Görüntülerle Eşleşme Sonuçları ... 38

(12)

SİMGELER VE KISALTMALAR DİZİNİ Simgeler Açıklama r p Γ Korelasyon katsayısı Olasılık değeri Eğitim seti

𝜓 Eğitim seti ortalama matrisi

𝜙 Her yüzden ortalama çıkarılarak elde edilen dağılım

C Koveryans matrisi U Özyüzler N Matris boyutu Ω Özellik vektörü M Görüntü sayısı 𝜀 Öklid mesafesi

A Eğitim seti dağılım matrisi

𝜆𝑘 𝑁2𝑥𝑁2boyutlarında kovaryans matrisin özdeğerleri

L MxM boyutlarındaki yeni kovaryans matris

W Ağırlıklar V L matrisinin özvektörleri Kısaltmalar İDEA LBP LMS SIFT SURF Açıklama

İnternete Dayalı Eğitim - Asenkron Local Binary Pattern (Yerel İkili Örüntü)

Learning Management System (Öğrenme Yönetim Sistemi)

Scale Invariant Feature Transform (Ölçekten Bağımsız Özellik Dönüşümü) Speed-Up Robust Features (Hızlandırılmış Gürbüz Öznitelikler)

(13)

1. GİRİŞ

Uzaktan eğitim, öğreticiler ve farklı çevrelerdeki öğrenciler tarafından iletişim teknolojileri ve posta hizmetleri aracılığıyla öğretim ve öğrenim eylemlerinin gerçekleştirildiği bir eğitim sistemidir (İşman, 2005). Uzaktan eğitim ile birlikte eğitim-öğretim faaliyetlerindeki fırsat eşitsizliğinin önüne geçilmektedir (Kaya, 2002). Farklı sosyo-kültürel yapıda birçok birey etkileşimli içeriklere uzaktan eğitim ortamlarında ulaşabilmektedir. Bununla birlikte özellikle fırsat eşitliğinin zaman ve mekânsal nedenlerden dolayı sağlamanın mümkün olmadığı veya imkanların sınırlı olduğu durumlarda öğretim teknolojileri kullanılarak her zaman ve her yerde öğrenme (ubiquities learning) amacıyla uzaktan eğitim avantajlı bir imkan sunmaktadır. Uzaktan eğitim ortamlarında içeriklerin planlı takip edilmesi ve herhangi bir kısıtlamaya maruz kalmadan ilgi çekici ve akıcı bir şekilde düzenlenmesi sürecin başarılı bir şekilde tamamlanması bakımından önemlidir (NewBerry ve Deluca, 2014). Özellikle asenkron düzenlenen etkinliklerde eğitim medyaları tasarlanırken etkinliğin bireyde hâkimiyet oluşturması için etkileşimli ve zaman süreli kısıtlamalara ihtiyaç duyulmaktadır. Derse katılımın, örgün eğitimlerde olduğu gibi uzaktan eğitim sistemlerinde de başarıyı artırdığını gösteren çalışmalar mevcuttur (Çelik vd., 2018). Bu nedenle öğreticiler ders katılımı yüksek olan öğrencilere yılsonu başarı puanlarına ek puan verebilmektedirler. Uzaktan eğitimde bireylerin/öğrencilerin ders etkinliklerine anlık katılım durumları tespit edilebilirse akademik başarılarını yansıtılacak puanlar objektif olarak belirlenebilir. Bu çalışmada uzaktan eğitimde kullanılan Öğrenme Yönetim Sistemi (ÖYS)’ne yönelik, görüntü işleme yöntemleri kullanılarak öğrencilerin derse katılım durumlarının tespit edilmesi amaçlanmıştır. Ayrıca öğreticinin dersi sunuş yönteminin öğrenciler üzerindeki yansımasıyla derse katılımın ne ölçüde etkilendiği belirlenmiş olacaktır.

1.1.

Problem Durumu ve Gerekçesi

Uzaktan eğitimde kullanılan mevcut ÖYS’lerde öğrencilerin gerçek zamanlı bir şekilde derse katılım durumlarının kontrolü yapılamamaktadır. ÖYS’lerde derse/etkinliklere katılan bireylerin kimliklerinin tespit edilemediği ve bazılarının da ders içeriği ile ilgilenmedikleri gözlenmiştir (Özgöl vd., 2017). Öğrencinin derse aktif katılım oranının artmasıyla başarısının da arttığı yapılan araştırmalarda belirtilmiştir. Uzaktan eğitim uygulamalarının bu kapsamda geliştirilmesi büyük önem arz etmektedir (Belawati ve Zuahiri, 2007).

(14)

1.2.

Çalışmanın Amacı

Uzaktan eğitimde bireylerin derslere katılım durumlarının tespit edilebilmesi halinde öğrencilerin yılsonu akademik başarılarına olumlu katkı sağlanacağı yapılan çalışmalarla kanıtlanmıştır (Çelik vd., 2018). Bu çalışma ile uzaktan eğitimde kullanılan ÖYS’lere yönelik bir tasarım modeli geliştirilmesi amaçlanmış olup görüntü işleme yöntemleri kullanılarak öğrencilerin derse katılım durumları tespit edilecektir. Katılım oranlarının tespit edilmesi ile öğreticilerin dersi sunuş yöntemlerinden hangilerinin daha etkili olduğu belirlenebilecektir.

1.3.

Çalışmanın Önemi

Uzaktan eğitimde gerçek zamanlı katılım kontrolü ile hem derse katılımın oranı tespit edilecek, hem de gerçek kişilerin sisteme erişimi sağlanacaktır. Bu sayede akademik kurullarca yılsonu başarı puanının hesaplanmasında “derse katılımı” bir kriter olarak dikkate alındığında derse katılım teşvik edilecek ve bunun yanında sisteme erişimin güvenirliği artırılacaktır. Ayrıca çalışmanın çıktıları sayesinde katılımcıların derse katılım oranları ile ders başarısı arasındaki korelasyon da sağlıklı bir şekilde tespit edilebilecektir. Bu ilişki uzaktan eğitim sistemlerinin gelişimine yönelik yapılacak çalışmalara dayanak olacaktır.

Eğitim içeriğinin hazırlanmasında bireyin aktif katılımı için interaktif içeriklere yer verme zorunluluğu bulunmaktadır. Bu uygulama ile sınırlılık ortadan kaldırılarak içerik çeşitliliğinin artması sağlanabilecektir. Çalışma bu açıdan da önemlidir.

Bu çalışma ülkemizde yüz tanıma algoritmalarının uzaktan eğitimde kullanıldığı çalışmalara öncü olacaktır.

1.4.

Varsayımlar

 Derse katılımın ekrana bakma süreleri tespit edilmesini sağlayan bu çalışma derse katılımın akademik başarıyı artırmaya yönelik amacına hizmet eder niteliktedir.

 Uygulamanın çok kullanıcılı teknik altyapıya sahip olduğu dolayısıyla geniş kitlelere de hizmet vermesinin mümkün olduğu kabul edilmiştir.

 Bu uygulamada kullanılacak görüntüleme aygıtının temel niteliklere sahip, güvenilir bir iletişim aracı olduğu ve bireylerin de bu iletişim aracının kullanımına izin verdiği kabul edilmiştir.

(15)

 Doğru ve güvenilir sonuçlar elde etmek için dışarıdan alınacak görüntülerin aynı arka plan ve ışık ile elde edildiği varsayılmıştır.

 Sistemin gerçek hayatta kullanımı için gerekli kurul kararlarının ve izinlerin alındığı varsayılmıştır.

1.5. Sınırlılıklar

Yüz tanıma algoritmalarının hatalarından ya da görüntüye erişilen alandaki ışık farklılıklarından dolayı tanıma işlemlerinde bazı hatalar, maske ve fotoğraf üzerinden görüntü tanıtma durumları bu çalışmanın en önemli sınırlılığıdır. Bu duruma çözüm olarak göz izleme cihazları (eye tracker) önerilmekte ve hata payanın düşürülmesine katkı sağlayacağı öngörülmektedir. Ayrıca yüz tanıma sistemleri ile ilgili sınırlılıklar ise şu şekilde sıralanabilir (Bolle ve Senior, 2002).

Fiziksel değişiklikler: yüz ifadesi değişimi; yaşlanma kişisel görünüş (makyaj, gözlük, sakal, saç modeli, kılık).

Edinme geometrisi değişir: Ölçekte, kameranın yüzünde ve düzlemsel rotasyonunun yanı sıra derinlikteki dönüşü (kameranın yüzüne dönük olarak veya bir yüzün tam yüzüne değil, bir profilin sunumuna) değişir.

Görüntüleme değişiklikleri: Aydınlatma varyasyonu; kamera varyasyonları; Kanal özellikleri (özellikle yayın veya sıkıştırılmış görüntüler).

Literatürde yer alan mevcut hiçbir sistem belirtilen bu sorunların üstesinden tam olarak gelebileceğini iddia edememektedir. Özellikle yüzlerin yaşlanmasının etkilerine karşı güçlü bir yüz tanıma yapma konusunda çok az araştırma yapılmıştır. Genel olarak, uygulama senaryosu ve yakalama durumu üzerindeki kısıtlamalar, algoritmik olarak elde edilmesi gereken yüz görüntü örneğinin değişme miktarını sınırlamak için kullanılır.

Günümüzde yüz tanıma konusundaki temel zorluklar, kişisel görünüm değişiklikleriyle birlikte, derinlik ve geniş aydınlatma değişiklikleridir. Bununla birlikte iyi koşullarda dahi doğruluk oranı, alternatif farklı algoritmalar kullanılarak geliştirilmelidir.

(16)

2. KURAMSAL ÇERÇEVE VE İLGİLİ ARAŞTIRMALAR

2.1. Eğitim Sistemi ve Güncel Yaklaşımlar/Yöntemler

Eğitim bireyin davranışlarında kendi yaşantısı yoluyla kasıtlı ve isteyerek davranış değiştirme süreci olarak tanımlanmaktadır (Ertürk, 1997). Burada bireyin kendi yaşantısı temeldir. Bu yüzden eğitim yaparak, yaşayarak gerçekleşmeli ve süreç boyunca öğrenci merkezli bir anlayış ile ele alınmalıdır (Gelişli, 2009). Eğitim, amaçlanan eylemi ortaya koymak ve olumsuz etkileri ortadan kaldırmak için bir program dahilinde gerçekleştirilmelidir (Çelik ve Önal, 2005). Genelde bu program, ülkelerin eğitim politikaları ile şekillenir. Örneğin “Fin Modeli” olarak bilinen Finlandiya’nın eğitim sistemi küçük çocukların oynayarak öğrendiği, ders saatlerinin az olduğu ve fırsat eşitliğinin sağlandığı bir modeldir ve ülkenin ihtiyaçları, kaynakları ve mevcut durumu gözetilerek planlanmıştır (Sahlberg, 2018). Ülkemizde de eğitim sistemine ilişkin politikalar dinamik bir yapıya sahip olup eğitim programları yeniliklere göre sürekli revize edilmektedir (Gökmenoğlu, 2011). Özellikle ülkemizde FATİH Projesi ile birlikte eğitim ortamlarının iyileştirilmesi ve eğitimde kullanılan araç ve gereçlerin teminine büyük önem verilmektedir (Özdemir ve Karaman, 2016).

Öğrenmek istenilen kazanım, bilginin türüne, içeriğine ve kapsamına göre görsel, işitsel ya da kinestetik olarak elde edilebilir. Burada önemli olan husus bireyin kazanımı en uygun yöntemle elde etmesidir. Örneğin akademik bilgiye sahip olmak isteyen bireyin görsel ve işitsel öğrenmeye ihtiyacı vardır (Göldağ, 2017).

2.2. Uzaktan Eğitim

Uzaktan eğitim; öğretmen ve öğrencilerin farklı mekanlarda ve çoğu zaman aynı anda olmakla birlikte farklı zamanlarda, teknolojik cihazlardan ve öğretim teknolojilerinden yararlanarak eğitim-öğretim ve öğrenme süreçlerini bir plan dahilinde gerçekleştirebilmeleridir (Gülnar, 2008).

Öğrenme süreçlerinin başarılı bir şekilde gerçekleşebilmesi için öğretici ve öğrenenin sağlıklı bir ortamda iletişim kurması gerekmektedir (Masino ve Nino-Zarazua, 2015). Uzaktan eğitimle bireyler birbirlerinden bağımsız hareket etmekte ve olumsuz ortam koşullarından etkilenmemektedir.

Salt bilgiye erişimi kolaylaştıran uzaktan eğitim, teknolojinin de gelişmesiyle her geçen gün değerini artırmaktadır. Uzaktan eğitimle ilgili birçok çalışma yapılmaktadır. Bu eğitim türünün

(17)

normal fiziki ortamı sağlamadığı ve birebir fiziki ortama alternatif olmadığı açıktır. Bu anlamda uzaktan eğitim, bilişim teknolojilerinin de desteği ve kendine özgü özellikleri ile yeniliğe açık bir alandır.

2.3. Öğrenme Yönetim Sistemleri

Öğrenme Yönetim Sistemleri (Learning Management System / LMS) uzaktan eğitim içeriğini ve ortamını planlamak, hazırlamak, gerçekleştirmek ve takip etmek için kullanılmaktadır (Cavus, 2015). Dünyada LMS kullanımı her geçen gün artmaktadır. Bu hizmeti ücretli veren birçok markanın yanı sıra açık kaynak kodlu yapısı ile ücretsiz veren de birçok marka bulunmaktadır (Poulova vd., 2015). Çizelge 2.1’de markalar sunulmuştur.

Çizelge 2.1. Dünyada Yaygın olarak kullanılan Öğrenme Yönetim Sistemleri (Kasım ve Khalid, 2016).

Ticari Öğrenme Yönetim Sistemleri Açık Kaynak Kodlu Öğrenme Yönetim Sistemleri

Blackboard SuccessFactors Moodle Sakai

SumTotal Litmos MyLMS ATutor

Angle Learning Cornerstone Claroline MyGuru2

2.3.1. Ticari öğrenme yönetim sistemleri (http://selecthub.com)

BlackBoard: Blackboard teknolojisi öğrenmeyi daha etkili hale getirmeye yardımcı olmaktadır. Günlük görevlere verim kazandırmak, eğitmenleri her öğrencinin ilgisini çekecek araçlarla güçlendirmek ve işbirliğine teşvik ederek süreçleri kolaylaştırmak bu LMS ile mümkündür.

SumTotal: Bu LMS gerçekleştirilecek eğitimlerde derinlemesine öğrenmeyi sağlamak adına kişiselleştirilmiş bağlamsal öğrenme içeren en önemli LMS’lerden biridir. Öne çıkan özelliği basitliğidir.

SuccessFactors: Kapsamlı bir öğrenim programını kolayca geliştirmeyi, dağıtmayı, yönetmeyi ve raporlamayı sağlayan endüstrinin en çok beğenilen LMS'lerinden biridir. Uyumluluk sağlar, çalışan ve iş performanslarını arttırır, masrafları azaltır ve işbirliğine teşvik eder.

2.3.2. Açık kaynak kodlu öğrenme yönetim sistemleri

Moodle: Eğitmenlerin, her zaman ve her yerde öğrenmeyi genişleten dinamik kurslarla dolu kendi özel web sitelerini oluşturmasını sağlayan ücretsiz, çevrimiçi bir Öğrenme Yönetim sistemidir. Geliştirebilir çekirdeği ile öne çıkmaktadır.

(18)

Sakai: Açık kaynak kodlu, birçok ihtimale imkan tanıyan yapısıyla geliştirilebilir olan bu öğrenme yönetim sistemi özellikle öğrenme ve öğretme süreçleri için öne çıkmaktadır.

ATutor: Açık kaynak kodlu, kullanıcı dostu, geliştirilebilir arayüze sahip bir ÖYS’dir.

Öğrenme yönetim sistemleri ders sunumu ve yönetimi, etkileşim, iletişim, içerik geliştirme ve işbirliği gibi süreçlerden oluşmaktadır. Bu süreçlerle kullanıma sunulan öğrenme yönetim sistemlerinin bireylere en yüksek düzeyde yarar sağlayabilmesi için bazı niteliklere sahip olması gerekmektedir (http://dwheeler.com). Literatürde yaygın olarak kullanılan niteliklerine göre durumları incelenen LMS’lerin avantaj ve dezavantajlarını aktaran tablo Çizelge 2.2’de sunulmuştur.

Çizelge 2.2. LMS'lerin Niteliklerine Göre Karşılaştırılması (Kasım ve Khalid, 2016).

Özellik

LMS

Açık Kaynak Kodlu Ticari Moodle ATutor Sakai Blackbo

ard Sum Total Success -Factors Bulut Tabanlı











Dünyada olduğu gibi ülkemizde de ÖYS öncesinde uzaktan eğitim çalışmalarının önemi anlaşılmış ve farklı yöntemlerle uygulanması sağlanmıştır. 1923 yılından 1955 yılına kadar uzaktan eğitim kavramsal olarak tartışılmış ve ilk olarak 1956 yılında yazışarak (mektupla) uzaktan eğitim sistemi gerçekleştirilmiştir. 1976 yılına gelindiğinde ise uzaktan eğitim sistemi, görsel ve işitsel araçlar olan radyo ve televizyon ile gelişimi sürdürmüştür (Bozkurt, 2017). 1990’lı yılların başından itibaren internet hizmeti verilmeye başlanmıştır. Daha sonra ise 1990’lı yılların ortalarında öğrenme yönetim sistemi ile ilgili çalışmalar yapılmıştır. İlk olarak 1996 yılında İTÜ tarafından uzaktan eğitim merkezi kurulmuştur. 1998 yılında ODTÜ tarafından İDEA asenkron öğrenme yönetim sistemi geliştirilmiştir. Günümüzde de çalışmalarına devam eden bu sistemle sertifikalı eğitimler düzenlenmektedir (http://idea.metu.edu.tr). 2000’li yıllarda ise yaygınlaşan ve her eve giren internet sayesinde hedef kitle büyümüş ve neticede birçok öğrenme yönetim sistemi geliştirilmiş ve açık öğretim faaliyetlerinde uygulanmaya başlamıştır.

Ülkemizde uzaktan eğitim faaliyetlerinin yürütülmesi ve öğrenme yönetim sistemlerinin geliştirilmesi amacıyla 103 adet uzaktan eğitim merkezi kurulmuştur. Bunlardan üçü Açık Öğretim Fakültesi olarak faaliyet göstermektedir. 103 merkezden 81’i son 7 yılda kurulmuştur (Kırkan ve Kalelioğlu, 2017). Bu sonuç da göstermektedir ki ülkemizde uzaktan eğitimin hedef kitlesi her geçen gün artmaktadır.

2.5. Derse Katılımın Başarıya Etkisi

Midwestern Halk Üniversitesi öğrencilerinin akademik başarı ve derse katılım durumları incelenmiş ve regresyon analizi neticesinde derse katılımın öğrenci başarısını artırdığı tespit edilmiştir (Ullah, 2007).

2016-2017 eğitim-öğretim yılında Ankara’da faaliyet gösteren dört farklı ortaöğretim kurumunda öğrenim gören 871 öğrenci ile derse katılımın akademik başarıya katkısı üzerine araştırma yapılmıştır. Regresyon analizi sonucu derse bilişsel katılım ile akademik başarı arasında olumlu yönde, yüksek seviyede ve manidar bir ilişki saptanmıştır (Çelik vd., 2018). Bu ilişkiyi içeren araştırma sonucu Çizelge 2.3’te sunulmuştur.

(20)

Çizelge 2.3. Akademik Başarı ile Derse Katılım Arasındaki İlişkiye Yönelik Yapılan Araştırma Sonucu (Çelik vd., 2018).

Değişkenler r p

Akademik Başarı*Duyuşsal Katılım 0,990 0,000

Akademik Başarı*Davranışsal Katılım-Sınıf Katılım 0,563 0,008

Akademik Başarı*Bilişsel Katılım 0,993 0,000

Akademik Başarı*Derse Katılmama -0,329 0,012

Yapılan araştırmalar incelendiğinde genel akademik başarı ile derse katılım arasında pozitif korelasyon tespit edilmiştir. Derse katılım arttıkça akademik başarı da artmaktadır. Derse katılmama ile akademik başarı arasında da negatif korelasyon saptanmıştır. Böylece derse katılmamanın da başarısızlığa neden olabileceği sonucuna varılmaktadır.

2.6. Uzaktan Eğitim Sistemlerine Erişimde Kimlik Güvenirliği

Mevcut uzaktan eğitim sistemleri irdelendiğinde kullanıcıların e-posta, telefon numarası, kimlik numarası gibi tekil anahtarları ve daha önce belirledikleri şifreleri kullanarak sisteme giriş yaptıkları görülmektedir. Derse devamın kontrol edildiği durumlarda bireyler bilgilerini joker katılımcılara vererek kendi yerlerine derse katılmayı talep edebilirler. Suistimale açık olan bu durumu ortadan kaldırmak ve gerçeği sahtesinden ayırmak için biyometrik verilere ihtiyaç duyulmaktadır (Morgan vd., 2010).

2.7. Biyometrik Sistemler

Her birey fiziksel ve davranışsal özellikleri bakımından benzersizdir. Biyometri bu benzersizlikleri ortaya çıkaran ve kimlik doğrulaması ile ilgili çalışmaları gerçekleştiren bilim dalıdır (Hahn ve Hur, 2016). Bireyi eşsiz kılan özellikler yaşamın başlangıcından sonuna kadar değiştirilemez bir yapıya sahiptir. Yüksek düzeyde doğruluk gerektiren uygulamalara duyulan ihtiyaçtan dolayı biyometri üzerine yapılan çalışmalar her geçen gün artmaktadır. Dünya genelinde 2016 yılında 600 milyon biyometrik doğrulamalı mobil ödeme gerçekleşirken, 2017 yılında bu sayının 2 milyara ulaşabileceği tahmin edilmiştir (http://www.juniperresearch.com). Sadece bu veri dahi biyometrinin geleceğine dair önemli ipuçları vermektedir. Biyometrik verilerin karşılaştırılmasına dair bilgiler Şekil 2.1’de bulunmaktadır.

(21)

Şekil 2.1. Kişisel Verilerin Karşılaştırılması (http://biyometrikkimlik.net).

Şekil 2.1’de de görüldüğü gibi üzerimizde taşıdığımız nesneler düşük güvenlik hassasiyeti nedeniyle ele geçirilebilir. Yine doğrulama için belirlediğimiz şifreler ve PIN’ler tahmin edilebilir ya da hacker’lar tarafından tespit edilebilir. Ancak bireyin sahip olduğu biyolojik veriler yüksek güvenlik hassasiyetine sahiptir ve doğrulama sistemlerinde taklit edilmesi imkânsız bilgileri içermektedir.

Yüksek güvenlik hassasiyetine sahip olan parmak izi, el ve retina gibi doğrulama araçlarının kullanımı zor ve rahatsız edicidir. Aksine ses, yüz ve iris gibi biyometrik veriler ise doğal ve kullanımı kolaydır. Çizelge 2.4’de biyometrik bilgilerin özelliklerini gösteren tablo sunulmuştur.

(22)

Çizelge 2.4. Biyometrik Bilgilerin Özellikleri (http://slideplayer.biz.tr).

Atlatılması





El Geometrisi  El şişlikleri  El Maskı

Kullanımı



Yüz  Işık Değişimi

 Açı değişimi  Gözlük  Saç Değişimi  Sakal Değişimi  Yaşlanma  Maske Kullanımı





Ses  Hastalık Nedeniyle Ses Tonu

Değişimi  Kaydedilmiş _{Ses Kaydı}





Biyometrik İmza  Yaşlanmaya Bağlı El Titremesi  İmza Taklidi



Çizelge 2.4’e göre doğruluğu etkileyen faktörlerin bulunmadığı, herhangi bir tehdit içermeyen, canlılığı tespit edebilen ve diğer seçeneklere göre daha hijyenik olan en önemli biyometri veri türü avuç içi damar izidir. Türkiye’de Sosyal Güvenlik Kurumu tarafından kimlik kontrolü amacıyla kullanılmaktadır. Avuç içi damar izinin görüntü işleme yöntemleri ile işlenmesine ilişkin çalışma Şekil 2.2’de yer almaktadır.

Şekil 2.2. Avuç İçi Damar İzinin Görüntü İşleme Teknikleri ile İşlenmesi Örneği (http://www.technobyte.org).

(23)

Yine yaygın olarak tercih edilen biyometri veri türü parmak izidir. Özellikle personel devam kontrol sistemlerinde kullanılmaktadır. Soğuk hava, parmak izi kaybı vb unsurlar sistemin çalışmasını olumsuz etkilemektedir. Sistem silikon parmak izi kullanılarak yanıltılabilmektedir (Sravya vd., 2012). Temaslı bir işlem olduğu için sağlığa uygun değildir ve bulaşıcı hastalıklara neden olmaktadır.

DNA testi ise % 99,99 doğrulukla en güvenilir kimlik doğrulama aracı olarak öne çıkmaktadır. Güvenilirliği çok yüksek olsa da laboratuvar ortamına ihtiyaç duyulması, DNA’nın anlık doğrulama sistemlerinde kullanılmasına engel olmuştur. Ancak DNA analizi üzerine yapılan çalışmalar hızlı bir gelişim göstermektedir. 2017 yılı sonlarında New York Genom Merkezi’nde geliştirilen ve Amerika’da satışa da sunulan DNA kimlik doğrulama cihazı bir dakikada sonuç verebilmektedir. Yatırım maliyeti olmayan, kullanımı kolay ve taşınabilir olan bu cihazla yakında anlık doğrulama işlemleri de gerçekleştirilebilecektir (http://nanoporetech.com).

Yüz tanıma sistemlerinde canlılık kontrolü yapılamamaktadır. Bunun yanında ışık ve açı değişimleri ile saç, sakal ve yaşlanma faktörleri de doğruluğu etkileyen önemli unsurlardandır. Maske kullanımı ise bu sistemin yanıltılmasına yol açabilmektedir (Hamdan ve Mokhtar, 2017). Tüm bu dezavantajlara rağmen yüz tanıma teknolojileri gelişime açıktır ve düşük maliyeti ile geniş kitlelere ulaşılabilecek bir teknolojidir.

2.7.1. Yüz tanıma sistemi

Yüz tanıma sistemi öncelikle yüzün tespit edilmesi ile gerçekleşir. Tespit edilen yüz tekil tanımlama bilgisi ile veri tabanına kaydedilir. Tanıma işleminin gerçekleşebilmesi için tanınması istenen görüntü ile veri tabanında görüntüler arasında karşılaştırma işlemi yapacak algoritmalara ihtiyaç duyulmaktadır. Bu algoritmalar ile görüntüde tespit edilen yüz veri tabanında aranır ve en yakın eşleme bilgisi sonuç olarak döndürülür. Şekil 2.3’te örnek bir yüz tanıma algoritması sunulmuştur.

(24)

Şekil 2.3. Yüz Tanıma Algoritması (Varol ve Cebe, 2011).

Yüz tanıma sistemleri her geçen gün gelişmekte ve eskiye oranla daha başarılı sonuçlar vermektedir. Bu sistemler yüzün tamamını kayıt altına almak yerine yüzde bazı referans noktaları belirleyerek, bunları saklamaktadır (Varol ve Cebe, 2011).

2.7.2. Yüz tanıma uygulama alanları

Yüz tanıma teknolojisi başta personel devam kontrol sistemleri olmak üzere devamlılık kontrolü gereken birçok alanda kullanılmaktadır. İşe giriş ve işten çıkış iki kameralı yüz tanıma cihazı ile gerçekleştirilmekte ve üç boyutlu tarama ve tanımlama ile gerçek kişilerin sisteme erişim yaptığından emin olunmaktadır.

Özellikle büyük şehirlerde yüzlerce kişiye zarar veren terör eylemleri gerçekleştirilmektedir. İnsanların arasında şüpheli davranış sergileyen bu canlı bombalar sahaya indikten sonra çoğu zaman tespit edilememektedir. Caddelere, sokaklara, alışveriş merkezlerine yerleştirilecek kameralar ve yüz tanıma sistemleri ile şüpheli davranışlarda bulunan, herhangi bir suçtan aranan ve toplum huzurunu bozacak bu kişiler tespit edilebilmektedir.

(25)

Günümüzde güvenlik, havalimanlarında bulunan personel ve yolcular için her zamankinden daha fazla öncelikli bir endişe kaynağıdır. Dünyanın birçok havaalanında yüz tanıma teknolojileri kullanılmaktadır. İlk olarak 2001 yılının Ekim ayında, Kaliforniya'daki Fresno Yosemite International (FYI) havaalanı, havaalanı güvenliği amacıyla Viisage'in yüz tanıma teknolojisini kullanmıştır. Sistem, bilinen bir terörist şüphelinin görüntüsüyle eşleşen bir kişinin havaalanının güvenlik kontrol noktasına girmesi durumunda FYI havalimanı kamu güvenliği görevlilerini uyarmak üzere tasarlanmıştır (Parmar ve Mehte, 2013).

Görüntü veritabanları yardımı ile trafikteki sürücülerin ehliyetli olup olmadıkları bulunmakta, kayıp çocukların ve göçmenlerin tespit edilmesi sağlanmaktadır (Ismail ve Sabri, 2010).

Seçmen kaydı, bankacılık, elektronik ticaret, yeni doğanların tanımlanması, ulusal kimlikler ve pasaportlar gibi genel kimlik doğrulama işlemleri de yüz tanıma teknolojileri kullanılarak gerçekleştirilmektedir (El-Sayad vd., 2013).

Bu çalışmada kullanılan yüz tanıma teknolojisinin bireylerin derslere katılım durumlarının uzaktan eğitim sistemlerinde belirlenebilmesidir. Bireyler uzaktan eğitim sistemine yüz tanıma ile giriş yapmaktadırlar ve etkinlik boyunca derse aktif katılımları webcam yardımıyla takip edilmektedir. Bunun için sistem girişinde bireylerin kamera izni ve bazı konum özelliklerini paylaşma durumları programın başında sorularak izin alınmaktadır.

2.8. Yüz Tespitinde Kullanılan Yöntemler

2.8.1. Bilgi tabanlı yöntem

Bilgi tabanlı yöntem, tipik bir yüzün ne olduğuna dair insan bilgisini kodlamaktadır. Genellikle, kurallar yüz özellikleri arasındaki ilişkileri yakalar. Bir yüzün burun, ağız, gözler, dudaklar gibi özellikleri ve ilişkileri (göreceli mesafe, yoğunluk gibi) dikkate alınarak gerçekleştirilir (Orman vd., 2011). Özelliklerin tespit edilmesinden sonra, yanlış tespitleri azaltmak için doğrulama kullanılır. Bu yaklaşım önden alınan ve farklı pozlarda olmayan yüz görüntüsü için iyidir. Bu yaklaşımla ilgili temel problem, insan bilgisini iyi tanımlanmış kurallara dönüştürmenin zorluğudur. Kurallar ayrıntılı olarak belirlenmişse, tüm kuralları geçmeyen yüzleri algılayamayabilirler. Kurallar çok genel ise, birçok yanlış pozitif verebilirler (Rizvi, 2011). Bilgi tabanlı yöntemde kullanılan tipik bir yüz Şekil 2.4’te yer almaktadır.

(26)

Şekil 2.4. Bilgiye dayalı yukarıdan aşağı yöntemlerde kullanılan tipik bir yüz (Huang ve Yang, 1994).

2.8.2. Özellik tabanlı yöntemler

Özellik tabanlı yöntemler, poz, bakış açısı veya aydınlatma koşulları değiştiğinde bile var olan yapısal özellikleri bulmak ve yüzleri tespit etmek için kullanılır. Bu yöntemler esas olarak yüz lokalizasyonu için tasarlanmıştır (Hatem vd., 2015).

2.8.3. Şablon eşleme yöntemleri

Yüzün bir bütün olarak veya yüz özellikleri ayrı ayrı tanımlamak için bir yüzün çeşitli standart desenleri saklanmaktadır. Bir giriş görüntüsü ve depolanmış desenler arasındaki korelasyonlar tespit için hesaplanır. Bu yöntemler yüz lokalizasyonu ve tespiti için kullanılmaktadır.

Bir girdi görüntüsü verildiğinde, standart modeller ile korelasyon değerleri, yüz hatları, gözler, burun ve ağız için bağımsız olarak hesaplanır. Bir yüzün varlığı, korelasyon değerlerine göre belirlenir. Bu yaklaşımın avantajı uygulanmasının basit olmasıdır. Bununla birlikte, yüz tanıma için yetersiz olduğu kanıtlanmıştır, çünkü ölçek, poz ve şekil değişimleriyle etkili bir şekilde baş edememektedir. Yüksek çözünürlüklü ve ölçekli alt şablonlar ölçek ve şekil değişmezliğini elde etmek için önerilmiştir (Rizvi, 2011).

2.8.4. Görünüm tabanlı yöntemler

Şablon eşleşmesinin aksine, şablonlar, yüz görünümünün temsili değişkenliğini yakalayacak bir dizi eğitim görüntüsünden öğrenilir. Bu öğrenilen modeller daha sonra tespit için kullanılır. Bu yöntemler, esas olarak yüz tanıma için tasarlanmıştır (Pentl vd., 1994).

(27)

2.9. Yüz Tanıma Teknikleri

2.9.1. Özyüz yaklaşımı

Özyüzler yöntemi(Eigen Faces), yüz tanıma için bütünsel bir yaklaşım benimsemiştir. Bu yöntemin amacı temel bileşenleri çıkarmaktır. Bu, bütünsel bir yaklaşımdır, tahmin için bütün eğitim setine ihtiyaç duyulmaktadır. İki farklı sınıf resimleri arasında özel bir işlem bulunmamaktadır. Bir sınıf bir kişiyi temsil eder. Makine öğrenimini eğitmek için önceden işlenmiş resimler gereklidir. Bir resmin her bir pikseli bir boyutu temsil eder, 96x96 piksel 96 x 96 = 9216 boyut anlamına gelir. Özyüzler, en önemli bilgileri korurken boyutların sayısını azaltmak için Temel Bileşen Analizi'ni kullanmaktadır. Özyüzlerin eğitim kısmı, eğitim setinin kovaryans matrisinin özvektörlerini ve ilgili özdeğerlerini hesaplamaktır. Hesaplama gösterimleri aşağıda sunulmuştur (Turk ve Pentland, 1991).

Eğitim setini oluşturan yüzlerin işlenmesi için veriler hazırlanmalıdır. Γ1, Γ2, … , Γ𝑀

Eğitim setinin ortalaması(Eş. 3.1)

𝜓 =_𝑀1∑𝑀𝑛=1Γ𝑀 (3.1)

Her bir yüz, vektör bakımından ortalamadan farklıdır(Eş.3.2),

𝜙𝑖 = Γ𝑖− 𝜓 (3.2)

Bu çok büyük vektörler kümesi, daha sonra verilerin dağılımını en iyi açıklayan bir dizi M normal vektörleri arayan temel bileşen analizine tabi tutulur. 𝑘𝑡ℎ_{vektörü 𝑢}

𝑘 olarak seçilir.( Eş. 3.3)

𝜆𝑘 = 1

𝑀(∑ (𝑢𝑘

𝑀

𝑛=1 T𝜙𝑛)2) (3.3)

Vektör (𝑢_𝑘) ve sayısal değerlerin (𝜆𝑘) kovaryans matrisinde sırasıyla özvektör ve özdeğerleri

bulunur; (Eş. 3.4) 𝐴 = [𝜙1𝜙2… 𝜙𝑀] olduğunda, 𝐶 = 1 𝑀∑ (𝜙𝑛𝜙𝑛 𝑇_{) = 𝐴𝐴}𝑇 𝑀 𝑛=1 (3.4)

(28)

Kovaryans matrisinin N2_{'nin N}2'ye göre bir boyutu vardır, bu yüzden bir tane N2_{öz vektörleri ve}

özdeğerleri olacaktır. 256 x 256 görüntü için bu, 65,536 × 65,536 matrisi hesaplamalı ve 65,536 özyüzleri hesaplamalıdır. Özyüzlerin çoğu hesaplama bakımında bu iş için yararlı olmadığından, bu yöntem çok verimli değildir.

Bu sebepten dolayı M x M matrisini L olarak belirleriz, v L'nin özvektörleridir ve u da özyüzleri tanımlar. Bu yöntemin avantajı, N2_{değil sadece M sayılarını değerlendirmek zorunda olmasıdır.}

Genellikle, sadece birkaç temel bileşen (M < N) uygun olacaktır. Gerçekleştirilecek hesaplama miktarı, piksel sayısı (N2_{× N}2) 'den matematiksel yöntemle antrenman setindeki (M) görüntü

sayısına indirilir. (Eş. 3.5)

𝐿 = 𝐴𝑇_𝐴 _(3.5)

L matrisinin özvektör(v) ve özdeğerleri(𝜇) dikkate alındığında;

𝐴𝑇_{𝐴. 𝑣}

𝑖 = 𝜇𝑖𝑣𝑖 (3.6)

Her iki taraf A ile çarpıldığında,

𝐴𝐴𝑇𝐴. 𝑣𝑖 = 𝜇𝑖𝐴𝑣𝑖 (3.7)

Böylece,

𝐶. 𝐴. 𝑣𝑖 = 𝜇𝑖𝐴𝑣𝑖 olmaktadır. (3.8)

𝑣𝑖, 𝐿 matrisinin özvektörü ve 𝐴𝑣𝑖, 𝐶 matrisinin özvektörü olduğunda,

𝐿𝑚𝑛 = 𝜙𝑚T𝜙𝑛 (3.9)

L matrisinin özvektörlerinin hesaplanmasından sonra, C matrisinin özvektörleri yani özyüzleri bu formül ile hesaplanabilir,

𝑢𝑖 = ∑𝑀𝑘=1𝑣𝑖𝑘𝜙𝑘 (3.10)

(29)

Bu aşamada yüz görüntüleri yüz uzayına yansıtılacaktır. Esas olarak, her bir çıkarılmış yüz görüntüsü, özyüzlerden biri ile nokta ürünüdür. Bu ağırlıklar (w), özellik vektörünü (Ω) oluşturur. Kaydedilen görüntüler ile karşılaştırılacak olan yeni görüntüye basitçe aynı prosedür uygulanacaktır. (Eş. 3.11)

𝑊𝑘 = 𝑢𝑘T(Γ − 𝜓)k=1,….M (3.11)

Ω𝑇 = [𝑤1𝑤2… 𝑤𝑀] (3.12)

Sınıflandırma, yüz kütüphane elemanlarının özellik vektörlerinin giriş yüz görüntüsünün özellik vektörü ile karşılaştırılmasıyla gerçekleştirilir. Bu karşılaştırma, iki üye arasındaki kullanıcı tanımlı eşikten daha küçük olanın “𝜀” öklid mesafesine göre yapılmaktadır. Karşılaştırma, kullanıcı tanımlı eşiğin içine düşerse, yüz görüntüsü “bilinir” olarak sınıflandırılır, aksi halde “bilinmeyen” olarak sınıflandırılır ve daha sonra kullanmak üzere özellik vektörü ile yüz kütüphanesine eklenebilir ve böylece sistemin yeni yüzleri tanımasına olanak sağlanır. (Eş. 3.13)

𝜀 = ‖Ω𝑛𝑒𝑤− Ω𝑘‖ (3.13)

2.9.2. Fisher yaklaşımı

Fisherfaces da bütünsel bir yaklaşım kullanır. Özyüz ve Fisherfaces arasındaki temel farklılık Fisherfaces yönteminin sınıflarını dikkate almasıdır. Özyüz yöntemine göre daha gelişmiştir. Özyüzler yönteminde eğitim bölümünde farklı sınıflardaki iki görüntü arasında fark hesaplanmaz. Her resim ortalama olarak etkilenmiştir. Fisherfaces da ise sınıflar arasındaki fark hesaplanır. Aynı kişi için birden fazla görüntü kaydedilmektedir, dolayısıyla sınıf içi farkın en aza, sınıflar arası farkın ise en fazlaya ulaşması hedeflenir. Bu sayede daha başarılı sonuçlar elde edilir (Naik, 2014).

2.9.3. Yerel ikili örüntüler yaklaşımı (LBP)

Bu yaklaşımda görüntüleri tanımlamak için her pikseli bir etiket belirtmektedir. Bu etiketler 0 ve 1 lerden oluşur ve NxN boyutunda matrisin merkezi olup etrafındaki piksel etiketlerinin karşılaştırılması prensibi ile çalışmaktadır. Bu yaklaşımın en önemli özelliği parlaklık değişimlerinden etkilenmemesidir. Parlaklık azaltılsa da, artırılsa da LBP histogramı değişmez (Tuncer ve Avcı, 2017).

(30)

2.9.4. Ölçekten bağımsız özellik dönüşümü (SIFT)

Bu yaklaşımın en önemli özelliği yüzlerin büyüklükleri, açıları ve yönlerindeki değişiklerden etkilenmemesidir. Ayrıca basitliği ve hızlı cevap vermesi de çok tercih edilmesinin nedenlerindendir. Yüzdeki sabit özellikleri saptayarak küçük çaptaki değişikliklere karşı da doğru sonuçlar vermektedir, bu anlamda da diğer özellik çıkarma yöntemlerinin önüne geçmektedir (Filiz, 2012).

2.9.5. Hızlandırılmış gürbüz öznitelikler (SURF)

SIFT’ten ilham alınarak geliştirilen bu yöntemde sonuç görüntü dönüşümlerinden daha az etkilenmekte ve daha hızlıdır. SIFT’e göre hız artışının sebebi her görüntü dizisi için ayrı işlem yapılmamasıdır. Bu yaklaşımda alanların tespiti için Hessian matrisi ve Laplace hesaplaması kullanılır. Tanımlama işlemi ise Haar-Wavelet algoritması ile gerçekleştirilir (Bay vd., 2006).

2.10. Yüz Tanımadaki Zorluklar

2.10.1. Görüntü kalitesi

Görüntü özelliklerini ayıklamak için görüntü kalitesi önemlidir. Yüz özelliklerinin doğru hesaplamaları olmadan, yaklaşımların kalitesi düşük olacaktır. Böylece, görüntü kalitesi azaldıkça en iyi tanıma algoritması bile yanlış sonuçlar vermektedir.

Öznitelik temelli görüntü işleme yöntemleri görüntü kalitesi ve aydınlatma değişikliklerinden bir hayli etkilenmekte iken filtreleme temelli görüntü işleme yöntemleri görüntü kalitesi ve aydınlatma değişikliklerinden çok etkilenmemektedir (Varlık ve Çorumluoğlu, 2011).

2.10.2. Aydınlatma sorunu

Aynı yüz, aydınlatmadaki değişiklik nedeniyle farklı görünmektedir. Aydınlatma, bir nesnenin görünümünü büyük ölçüde değiştirebilir. Doğru tanıma için düzensiz ışıklandırmanın üstesinden gelinmelidir (Kalaiselvi ve Nithya, 2013). Aşağıdaki görüntü işleme yöntemleri bir derece aydınlatma değişmezliği sağlamak için kullanılabilir.

 Normalleştirme

 Histogram dengelemesi  İstatistik filtreleme

(31)

2.10.3. Poz varyasyonu

Genellikle, yüz tanıma sistemleri tarafından kullanılan eğitim verileri, bireylerin ön görünüm yüz görüntüleridir. Önden görünümdeki görüntüler, bir yüzün profilden veya diğer poz açılarından daha spesifik bilgiler içerir. Sorun, sistemin bu önden görünüm eğitim verilerini kullanarak döndürülmüş bir yüzü tanıması gerektiğinde ortaya çıkar. Doğru sonuçlar elde etmek için bir yüz veri tabanındaki bir bireyin çoklu görünümleri bir araya getirilmelidir (Ramchandra ve Kumar, 2013).

(32)

3. MATERYAL, METOT VE UYGULAMA

3.1. OpenCV Kütüphanesi

OpenCV (Açık Kaynak Bilgisayarlı Görüntü Kitaplığı) bir BSD lisansı altında yayınlanmıştır ve dolayısıyla hem akademik hem de ticari kullanım için ücretsizdir. C++, Python ve Java arayüzlerine sahiptir ve Windows, Linux, Mac OS, iOS ve Android'i desteklemektedir. OpenCV, hesaplama verimliliği ve gerçek zamanlı uygulamalara güçlü bir odaklanma için tasarlanmıştır. C/C++ ile yazılan kütüphane çok çekirdekli işlemden yararlanabilmektedir. Dünyanın her yerinde kabul edilen OpenCV, 47 binden fazla kullanıcı topluluğuna ve tahmini 14 milyonu aşan indirme sayısına sahiptir (http://opencv.org).

OpenCV Kütüphanesi temelde 5 modülden oluşmaktadır.

3.1.1. CV kütüphanesi

Bu kütüphane görüntü işleme, yapısal analizler ve hareket analiz algoritmalarından oluşmaktadır. Yaygın olarak kullanılan fonksiyonlar aşağıdaki gibidir (Mohamad vd., 2015).

cvCanny: Özellik çıkarmak için,

cvCvtColor: Görüntü rengini dönüştürmek için, cvCreateHist: Histogram oluşturmak için,

cvGoodFeaturesToTrack: Görüntülerin köşelerini tespit etmek için kullanılır. cvCanny sınıfına örnek çalışma Şekil 3.1’de bulunmaktadır.

(33)

3.1.2. CXCore

CXCore temel veri tipi tanımlarını içerir. Örneğin, görüntü, nokta ve dikdörtgen için veri yapıları cxtypes.h dosyasında tanımlanmıştır. CXCore ayrıca doğrusal cebir ve istatistik yöntemleri, kalıcılık fonksiyonları ve hata işleyicileri içerir. Resimlerin çiziminde kullanılan grafik işlevlerinden bazıları da burada bulunmaktadır. CXCore’un yerine getirdiği bazı fonksiyonlar aşağıda sunulmuştur.

CvPoint: İki boyutlu görüntülerin koordinatlarını tespit etmek için, CvMat: Çok kanallı matris oluşturmak için,

CvSize: Görüntünün boyutunu saklamak için kullanılmaktadır.

3.1.3. HIGHGUI

Bu kütüphane ile görüntü nesneleri oluşturulmakta ve görüntüleri saklamak, silmek ve düzenlemek için gerekli giriş-çıkış fonksiyonları gerçekleştirilmektedir. Bu alt kütüphanenin yerine getirdiği bazı fonksiyonlar aşağıda verilmiştir.

cvShowImage: Resim görüntülemek için, cvLoadImage: Görüntü açmak için,

cvDestroyWindow: Pencereyi kapatmak için,

cvResizeWindow: Pencere boyutunu değiştirmek için kullanılmaktadır. Şekil 3.1. cvCanny Örneği (Bradski ve Kaehler, 2008).

(34)

3.1.4. ML

Makine öğrenme kütüphanesi olarak bilinen bu kütüphane ile birçok istatistiki işlemi yapmak ve sınıflandırma işlemlerini gerçekleştirmek mümkündür. Temel fonksiyonlar aşağıda verilmiştir. CvKNearest: Komşuları bulmak ve giriş vektörleri için yanıtları tahmin etmek için,

CvStatModel: XML dosyalarını okumak ve yazmak için kullanılmaktadır.

3.1.5. CVAUX

Özyüz gibi yüz tanıma algoritmaları bu alt kütüphanede bulunmaktadır. Ayrıca üç boyutlu izleme, şekil eşleştirmeleri, kamera kalibrasyonları ve hareket analizleri bu kütüphanenin görevleri arasında yer almaktadır (Tenekeci vd., 2014).

OpenCv görüntü işleme alanında birçok uygulamaya kaynaklık etmektedir. Özellikle yüz tespit ve tanıma ile ilgili C# dilinde yapılan çalışmalarda OpenCv kütüphaneleri EmguCV kütüphaneleri aracılığıyla kullanılmaktadır.

3.2. C# Dilinde Özyüz Yöntemi ile Kontrollü Uzaktan Eğitim Sistemi Geliştirilmesi

Bu bölümde tasarlanan ve uygulanması amaçlanan sistemin aşamaları bulunmaktadır. Sistem 5 kısımdan meydana gelmektedir. Uygulamanın temel işlevlerine Şekil 3.2’de yer verilmektedir. Uygulama Microsoft Visual Studio 2015 C#.Net programı yardımıyla geliştirilmiştir. Görüntü karşılaştırma işlemleri için OpenCV ve EmguCV kütüphanelerinden yararlanılmıştır. Veri saklama ve erişme işlemleri için ise SQL Server 2017 yazılımı kullanılmıştır.

Sistemin modüler ve geliştirilebilir olmasına önem verilmiştir. Bu sayede uygulamaya eklenecek modüller sisteme sorunsuz dahil edilebilecektir.

(35)

Şekil 3.2. Uygulamanın Temel İşlevleri.

Önerilen sistemin mimarisi Şekil 3.3’te olup geliştirilirken kullanıcı dostu, hızlı ve güvenli olmasına önem verilmiştir.

Şekil 3.3. Sistem Mimarisi. 1. Kullanıcı Bilgilerinin Veri tabanına Kaydedilmesi

• Kamerada yüz tespit edilir, • Alanlar kontrol edilir,

• Kullanıcı bilgileri veri tabanına, yüz dosya dizinine, yüz etiketi metin dosyasına kaydedilir.

2. Sisteme Girişte Yüz Tespit ve Tanıma

• Kayıtlı eğitilen yüzler yüz listesine eklenir,

• HaarCascade sınıflandırıcısı yordamıyla yüz tespit edilir, • Tespit edilen yüzün, eğitilen yüzler listesinde kontrolü yapılır,

• "EigenObjectRecognizer" sınıfından dönen değer eğitilen yüzün etiketidir ve T.C. kimlik numarası ile aynı ise katılımcı doğrulaması başarılı bir şekilde sonuçlanır.

3. Eğitim İçeriğinin Seçilmesi

• ÖYS'de bulunan dersler ve içerikleri bu alanda listelenir,

• Katılımcının içeriklere erişim ve kullanım kayıtları görüntülenir ve çift tıklama işlemi ile eğitim ortamına geçiş sağlanır.

4. Eğitim Ortamında Ekranda Bakma Sürelerinin WebCam İle Tespiti

• Ekranda tespit edilen yüzün etiketi ile girişteki T.C. kimlik numarası eşleştiği sürece katılım sayacı çalışır ve grafik çizilir.

5. Oturum Bilgilerinin Veri tabanına Kaydedilmesi ve Raporlama

• Katılımcı eğitim tamamlandığında "Oturumu Sonlandır"seçeneğini tıklar,

(36)

3.3. Giriş Ekranı (WebCam-Veri tabanı)

Giriş ekranında hem yönetici girişine, hem de kullanıcı girişine yer verilmiştir. Yönetici girişi ile yeni katılımcıların sisteme eklenmesi ve raporlama işlemleri gerçekleştirilecektir. Bu yüzden T.C. kimlik numarası ve şifre ile sisteme erişilmesi sağlanmıştır.

Katılımcının kameranın kullanılmasına izin vererek sisteme giriş yapabilmesi için kontrol kutusu ve “Giriş Yap” butonu aktif/deaktif edilmektedir. Katılımcının eğitilen ve veri tabanına eklenen yüz bilgisi ile T.C. kimlik numarası eşleştiğinde uygulama giriş görüntülüme ekranına geçmektedir. Giriş ekranına ait kod yapısı Şekil 3.4’te bulunmaktadır.

T.C. kimlik numarası girilip “Giriş yap” butonuna tıklandığında “timer2” zamanlayıcısı tetiklenmektedir. Bu zamanlayıcı 0.1 saniye aralıklarla EmguCV kütüphanesindeki “Capture” sınıfını kullanarak anlık görüntü yakalamaktadır. Yakalanan bu kareler “Convert” metoduyla gri renk tonlamalı görüntülere dönüştürülmektedir. Hemen ardından OpenCv kütüphanesinin “Haar Cascade” sınıflandırıcı ile görüntülerdeki yüzler tespit edilmektedir.

Şekil 3.4. Giriş Ekranı UML Diyagramı.

class Uygulama

Form FrmGiris

- anlikgoruntu: Image<Bgr, Byte>

- egitilengoruntuler: List<Image<Gray, byte>> = new List<Image<... - egitilenyuzsayisi: int

- etiketler: List<string> = new List<string>() - etiketsayisi: int

+ goruntutut: Image<Gray, byte> - gri: Image<Gray, byte> = null + isim: string

- isimbilgisi: string

+ sonuc: Image<Gray, byte> - t: int

+ tcno: string - yakalama: Capture - yuz: HaarCascade

- Application_Idle(object, EventArgs): void + FrmGiris()

- FrmGiris_FormClosed(object, FormClosedEventArgs): void - FrmGiris_Load(object, EventArgs): void

- girisyap_Click(object, EventArgs): void

- kullaniciradiobutonu_CheckedChanged(object, EventArgs): void - onaykutusu_CheckedChanged(object, EventArgs): void - timer1_Tick(object, EventArgs): void

- timer2_Tick(object, EventArgs): void - timer3_Tick(object, EventArgs): void

(37)

Tespit edilen yüz hakkında bilgi toplamak ya da veri tabanında arama yapmak için “EigenObjectRecognizer” sınıfı kullanılmaktadır.

Arama işlemi yapmak için daha önce eğitilen görüntüler ilgili klasörden “egitilengoruntuler” isimli bir “imagelist” nesnesine çağrılır. Aynı şekilde bu görüntülere karşılık gelecek olan etiketlerin bilgisi de ilgili metin dosyasından “etiketler” isimli diziye çağrılır.

Görüntüler ve etiketler “EigenObjectRecognizer” sınıfına gönderilir ve en yakın sonuç “isimbilgisi” etiketi ile döndürülür. Bu “isimbilgisi” girişteki bilgiye eşitse sisteme giriş yapılır. Giriş ekranı kullanıcı girişi ve yönetici girişi görüntüleri Şekil 3.5 ve Şekil 3.6’dadır.

Şekil 3.5. Giriş Ekranı (Kullanıcı Girişi).

(38)

3.4. Giriş Görüntüleme Ekranı

Bu ekranda giriş yapan katılımcının bilgileri görüntülenmektedir. Katılımcının veri tabanındaki TC no, ad, soyad, doğum tarihi, doğum yeri, e-posta, telefon ve katılım seviyeleri listelenmektedir. Bu sayede kullanıcı sisteme doğru bilgilerle giriş yaptığından emin olmaktadır. Giriş görüntüleme ekranına ilişkin kod yapısı Şekil 3.7’dedir.

Şekil 3.7. Giriş Görüntüleme Ekranı UML Diyagramı.

Bu ekranda yer alan “Tespit Edilen Görüntü” başlıklı resim “FrmGiris” formundaki “goruntutut” ve veri tabanındaki görüntü başlıklı resim ise “FrmGiris” formundaki “sonuc” isimli görüntüden alınmıştır. Giriş görüntüleme ekranına ait ekran görüntüsü Şekil 3.8’dedir.

class Uygulama

Form FrmGirisGoruntule

- baglanti: OleDbConnection = new OleDbConnec... - gri: Image<Gray, byte> = null

- kayit: OleDbDataAdapter = new OleDbDataAd... - sonuc: Image<Gray, byte>

- tcno: string

- derskonusecimiagac_Click(object, EventArgs): void + FrmGirisGoruntule()

- FrmGirisGoruntule_FormClosing(object, FormClosingEventArgs): void - FrmGirisGoruntule_Load(object, EventArgs): void

(39)

Giriş ekranında sisteme giriş yaparken kullanılan TC. kimlik numarası ile “baglanti” isimli “OleDbConnection” sınıfı ve “kayit” isimli “OleDbAdapter” sınıfı kullanılarak veri tabanında SQL komutu ile arama yapılmakta ve sonuç deaktif olan metin kutularına yerleştirilmektedir.

3.5. Ders/Konu Seçim Ekranı

Ders/Konu seçim ekranında katılımcının alabileceği eğitimlerin derslere göre gruplandırılmış hali bulunmaktadır. Burada ilgili ders ve konu seçildiğinde daha önceki oturum bilgileri görüntülenmektedir. Ders/konu seçimine ilişkin kod yapısı Şekil 3.9’dadır.

Şekil 3.9. Ders/Konu Seçimi UML Diyagramı.

Ders/Konu seçimi ekranında “baglanti” isimli “OleDbConnection” sınıfı kullanılarak veri tabanından SQL komutu ile arama yapılmakta ve sonuç ağaç görünümü olan “treeview” nesnesine yansıtılmaktadır. Burada “derskonusecimitree_AfterSelect” metodu ile önce “derskodu” alanı dersler tablosundan çağrılmaktadır. Seçime bağlı olarak “konular” ile “dersler” tablosu sorgu komutu ile birleştirilerek “konukodu”, “konuadi”, ”konuicerigi” ve ”konumetni” alanları ilgili değişkenlere atanmaktadır.

Bireyin seçimine bağlı olarak daha önceki oturum bilgileri “oturum” tablosundan sorgu komutlarıyla çekilmekte ve “datagridview”de listelenmektedir.

class Uygulama

Form FrmKonuSecim

- baglanti: OleDbConnection = new OleDbConnec... + derskodu: string

+ konuadi: string + konuicerigi: string + konukodu: string + konumetni: string

- parentNode: TreeNode = null - tcno: String

- derskonusecimtree_AfterSelect(object, TreeViewEventArgs): void - derskonusecimtree_DoubleClick(object, EventArgs): void - derskonusecimtreeac(String, TreeNode): void

+ FrmKonuSecim()

- FrmKonuSecim_FormClosing(object, FormClosingEventArgs): void - FrmKonuSecim_Load(object, EventArgs): void

(40)

“derskonusecimitree_DoubleClick” metodu ile ilgili konu seçimi tamamlanarak eğitim ortamına geçiş sağlanmaktadır. Ders/konu seçimi ekranı ekran görüntüsü Şekil 3.10’dadır.

3.6. Eğitim Ekranı

Bu ekranda uzaktan eğitim faaliyeti düzenlenmektedir. Ekrana yansıyan başlık, video ve içerik yönetilebilir mahiyette olup ekleme, silme ve düzenleme işlemleri gerçekleştirilebilmektedir. Ekranda kalma süreleri de bu ekranda hesaplanmakta, anlık olarak grafiğe yansıtılmakta ve oturum sonlandırılırken veri tabanına eklenmektedir. Eğitim ekranı görüntüsü Şekil 3.11’dedir.

Şekil 3.10. Ders/Konu Seçimi Ekranı.

(41)

Yüzün sağlıklı bir şekilde tespit edilebilmesi için WebCam’in ekranın üzerinde sabit olması gerekmektedir. Yine sistemin doğru çalışabilmesi için WebCam’in doğrudan ışığa maruz kalmaması, ışığın bireyin yüzüne düşmesi sağlanmalıdır. Eğitim ekranı kod yapısı Şekil 3.12’dedir.

“FrmGiris” formunda “public” olarak tanımlanan “tcno” değişkeni bireylerin veri tabanındaki görüntülerini karşılaştırmaya devam etmek için kullanılmaktadır. “timer3” zamanlayıcısı 0.1 saniye aralıklarla EmguCV kütüphanesindeki “Capture” sınıfını kullanarak anlık görüntü yakalamaktadır.

Yakalanan bu kareler “Convert” metoduyla gri renk tonlamalı görüntülere dönüştürülmektedir. Hemen ardından OpenCv kütüphanesinin “Haar Cascade” sınıflandırıcı ile görüntülerdeki yüzler tespit edilmektedir. Tespit edilen yüz hakkında bilgi toplamak ya da veri tabanında arama yapmak için “EigenObjectRecognizer” sınıfı kullanılmaktadır.

class Uygulama

Form FrmEgitim

- baglan: OleDbConnection = new OleDbConnec... - baslangic: DateTime

- bitis: DateTime

- ds: DataSet = new DataSet()

- egitilengoruntuler: List<Image<Gray, byte>> = new List<Image<... - egitilenyuz: Image<Gray, byte> = null

- egitilenyuzsayisi: int

- etiketler: List<string> = new List<string>() - etiketsayisi: int

- font: MCvFont = new MCvFont(FON... - goruntuyakalayici: Capture

- gray: Image<Gray, byte> = null - katilim: double

- kaydet: OleDbCommand = new OleDbCommand() - mevcutgoruntu: Image<Bgr, Byte>

- sayac: Single - sayac1: Single

- sonuc: Image<Gray, byte> - t: int

- tcno: string - yuz: HaarCascade + FrmEgitim()

- FrmEgitim_FormClosing(object, FormClosingEventArgs): void - FrmPrincipal_Load(object, EventArgs): void

- timer1_Tick(object, EventArgs): void - timer2_Tick(object, EventArgs): void - timer3_Tick(object, EventArgs): void

(42)

Arama işlemi yapmak için daha önce eğitilen görüntüler ilgili klasörden “egitilengoruntuler” isimli bir “imagelist” nesnesine çağrılır. Aynı şekilde bu görüntülere karşılık gelecek olan etiketlerin bilgisi de ilgili metin dosyasından “etiketler” isimli diziye çağrılır.

Görüntüler ve etiketler “EigenObjectRecognizer” sınıfına gönderilir ve en yakın sonuç “tcno” etiketi ile döndürülür. Bu “tcno” bilgisi girişteki “tcno” alanına eşit olduğu sürece 1 saniye aralıklarla çalışan “timer1” zamanlayıcısı tetiklenmektedir. “timer2” zamanlayıcısı 1 saniye aralıklarla eğitim ekranına geçildiği andan itibaren koşularak geçen zamanı tespit etmede kullanılmaktadır. Katılım oranı “timer1” zamanlayıcısında çalışan “sayac1” isimli değişkenle, “timer2” zamanlayıcısında çalışan “sayac” isimli değişkenin oranıyla belirlenmektedir. Anlık katılım grafiği ise “timer2” zamanlayıcısı ile tetiklenmekte, katılım oranının her saniye hesaplanması ve grafiğe eklenmesi suretiyle yenilenmektedir.

Form üzerinde yer alan “Oturumu Sonlandır” butonuna tıklandığında “tcno”, toplam süre, başlangıç ve bitiş zamanları ile o anki katılım oranı “baglan” ve “ds” nesneleri kullanılarak veri tabanına kaydedilmektedir. Doğru yüz tanıma için gerekli durumlar Şekil 3.13’tedir.

Şekil 3.13. Yüz Tanımada Yüksek Doğruluk Yakalamak İçin Gerekli Olan Durumlar (http://xlabsgaze.com).

3.7. Kayıt Ekranı

Bu ekranda katılımcıların bilgileri veri tabanına kaydedilmektedir. Anlık görüntülerde yüz tespit edildiğinde ve gerekli alanlar doldurulduğunda kayıt işlemi tamamlanmaktadır. Yüz tespit edilmediği sürece “Kişi Ekle” butonu aktif olmamaktadır. Yüz tespit edilse bile “Kişi Ekle” butonuna basıldığında gerekli alanlardan birisi dahi boş olsa uyarı mesajı verilmekte ve kayıt işlemi gerçekleştirilmemektedir. Uygulamadaki tekil anahtar T.C. kimlik numarasıdır. Bu alana daha önce kaydedilmiş, veri tabanında bulunan bir bilgi girilmesi durumunda da kayıt işlemi durdurulmakta ve kullanıcı uyarı mesajı ile uyarılmaktadır. Kayıt ekranında koşulan kodun yapısı Şekil 3.14’teki UML diyagramında sunulmuştur.