2 results
Search Results
Now showing 1 - 2 of 2
Doctoral Thesis Kameralarin Özdevimli Kalibrasyonu için Yeni Bir Yaklaşim(2019) Gürel, Cahit; Tora, Hakan; Güneş, AhmetKamera, robotik uygulamalardaki en önemli sensörlerden birisidir. Kalibre edilmiş bir kamera, kalibre edilmemişine göre daha fazla bilgi sunabilir. Ayrıca, kalibre edilmiş kameranın kalibrasyon değerleri mekanik ve termal değişikler nedeni ile zamanla bozulabilir. Dolayısıyla mobil robotik platformalar için özdevimli kamera kalibrasyonu ihtiyaç oluşturmaktadır. Özdevimli kamera kalibrasyonu için ölçüleri bilinen bir objeye ihtiyaç duyulmaması nedeni ile hem daha esnektir hem de görüntü üzerindeki az sayıda nokta eşleştirmesi kalibrasyon hessaplamaları için yeterlidir. Bu kapsamda, kameranın pozisyonu ve yönelim açısı bilgilerini katarak daha basit ve daha yüksek doğruluk değerine sahip yeni bir kalibrasyon metodu öneriyoruz. Önerilen metot sentetik veriler üzerinde, simülasyon ortamında ve gerçek bir donanım üzerinde test edilmiştir. Sonuçlar diğer özdevimli kamera kalibrasyonu metoduyla karşılaştırılmıştır. Düzlemsel hareket eden kameralar için sonuçlarımız diğer özdevimli kamera kalibrasyonu uygulamaları karşısında etkili olduğunu göstermektedir.Master Thesis Doku ve Şekil Bazlı Özellikler Kullanarak Yüz İfadesi Tanımlama(2016) Gül, Nuray; Tora, HakanSon zamanlarda, yüz ifadesi tanıma sistemleri (YİT), insan-makine etkileşimi uygulamaları (İME) için önemli bir role sahip olmuştur. Mevcut olan birçok sistemde, bir his tanımlanırken ya tüm yüze ait özellikler ya da yüzün bazı bölgelerine ait özellikler birleştirilerek kullanılmıştır. Bu çalışma ise her duygu tanımlanırken sadece bir uygun bölgenin kullanılmasını önermektedir ve böylece bu bölgelerin ayrı ayrı hisler üzerindeki etkilerinin ne olduğunu göstermeyi amaçlamaktadır. Sunulan tasarımda, Şaşkın ve Mutlu hislerinin ağız bölgesinin şekil özellikleri kullanılarak, diğer taraftan Korku, Öfke ve İğrenme hislerinin göz bölgesinin doku özellikleri kullanılarak tanımlanması hedeflenmiştir. Bu sebeple Fourier Tanımlayıcıları (FT) ve Yerel İkili Örüntüler (YİÖ) özellik vectörleri olarak çıkarılmış ve bu özellikler Yapay Sinir Ağları (YSA) kullanılarak sınıflandırılmıştır. Sistem, genişletilmiş Cohn-Kanade Veritabanı (CK+) üzerinde eğitilmiş ve tüm sistem için yaklaşık %88,9 başarım oranı elde edilmiştir.