Yüz Tanıma Tabanlı Öğrenci Takip Sistemi

Year 2024, , 1 - 7, 15.06.2024

Hümeyra Turan , Habib Doğan

https://doi.org/10.55979/tjse.1400518

Abstract

Teknolojinin hızlı bir şekilde gelişmesi otomasyon sistemlerinde farklı yaklaşımların ortaya
çıkmasını netice vermiş ve biyometrik temelli tanımaların yoğun bir şekilde kullanımını
doğurmuştur. Bu çalışmada öğrencilerin bir derse devam süreçlerinin etkili ve kolay bir
şekilde yapılabilmesi ve yaşanacak zaman israfının önüne geçilmesi amacıyla biyometrik
temelli sistemlerden yüz tanıma işlemi kullanılarak sınıf yoklama sistemi geliştirilmiştir.
Phyton programlama dili ve OpenCV kütüphanesi kullanılarak gerçekleştirilen uygulama ile
hem tekli ve çoklu yüz tanıma işlemleri hem de tıbbi maske takılma durumundaki yüz tanıma
işlemleri başarılı bir şekilde gerçekleştirilmiştir. Derse kayıtlı olmayan öğrencilerin misafir öğrenci olarak kodlandığı sistemde, istenildiği durumlarda sesli uyarı ile de yüzü tanınan öğrencinin isminin seslendirilmesi de sağlanabilmektedir. Sonuçlar bir CSV uzantılı dosyada
tarih temelli olarak depolanmakta istenildiği takdirde öğrencilerin devam durumları
istatistiksel olarak analiz edilebilmektedir. Çalışmanın eğitim kurumlarındaki devam
süreçlerinde iyileştirmeler sağlayacağı ve uygulanması durumunda farklı mobil platformlarla
desteklenerek çok daha efektif hale getirilebileceği öngörülmektedir.

Keywords

Bilgisayarlı Görü, Dlib, Face Recognition, Yüz tanıma, Yüz algılama.

Face Recognition Based Student Tracking System

Abstract

The rapid development of technology has resulted in the emergence of different approaches in automation systems and has led to the intensive use of biometric-based recognitions. In this study, a class attendance system has been developed using face recognition, one of the biometric-based systems, in order to make students' attendance to a class effectively and easily and to prevent time waste. With the application implemented using Phyton programming language and OpenCV library, both single and multiple face recognition processes and face recognition processes in the case of wearing a medical mask were successfully performed. In the system where students who are not enrolled in the course are coded as guest students, the name of the student whose face is recognized can also be voiced with a voice warning when desired. The results are stored in a csv file on a date-based basis and the attendance status of the students can be statistically analyzed if desired. It is predicted that the study will provide improvements in attendance processes in educational institutions and if implemented, it can be made much more effective by supporting it with different mobile platforms.

Keywords

Computer Vision, Dlib, Face Recognition, Face detection

References

• Anonim (2021). OpenCV Nedir? https://devreyakan.com/opencv-nedir. (Son erişim tarihi:11 Kasım 2023)
• Başay, B. (2021). Görüntü İşleme Teknikleriyle Yüz Algılama Sistemi Geliştirme. https://medium.com/augelab-crew/görüntü -işleme-teknikleriyle-yüz-algılama-sistemi-geliştirme-1ee3c16e91c4 (Son erişim tarihi: 05 Kasım 2023)
• Boutros, F., Damer, N., Kirchbuchner, F., & Kuijper, A. (2022). Self-restrained triplet loss for accurate masked face recognition. Pattern Recognition, 124, 108473. https://doi.org/10.1016/j.patcog.2021.108473
• Boyko, N., Basystiuk, O., & Shakhovska, N. (2018). Performance evaluation and comparison of software for face recognition, based on dlib and opencv library. In 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP). (pp. 478-482).
• Eldem, A., Eldem, H., & Palali, A. (2017). Görüntü işleme teknikleriyle yüz algılama sistemi geliştirme. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6(2), 44-48.
• Feng, Y., Wang, H., Hu, H. R., Yu, L., Wang, W., & Wang, S. (2020). Triplet distillation for deep face recognition. In 2020 IEEE International Conference on Image Processing (ICIP). (pp. 808-812).
• Khan, M., Chakraborty, S., Astya, R., & Khepra, S. (2019). Face detection and recognition using OpenCV. In 2019 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS). (pp. 116-119).
• Mamak, U., Konyar, M. Z., Solak, S., & Uçar, M. H. (2020). Gerçek zamanlı yüz tanıma tabanlı personel kontrol ve takip sistemi tasarımı. Avrupa Bilim ve Teknoloji Dergisi, (19), 497-504.
• Parkhi, O., Vedaldi, A., & Zisserman, A. (2015). Deep face recognition. In British Machine Vision Association. (pp. 41.1-41.12)
• Sezdi, E., & Tüysüz, B. (2018). Elektronik bilgi sistemleri tabanlı öğrenci yoklama kontrol sistemi. Bilgi Yönetimi, 1(1), 23-31.
• Tanrıverdi, M. (2017). Yüz bulma ve tanıma tabanlı otomatik sınıf yoklama yönetim sistemi. (Yüksek Lisans Tezi, Ankara Üniversitesi Fen Bilimleri Enstitüsü)
• Temiz, H. (2022). Rapid marking attendance with face recognition. Avrupa Bilim ve Teknoloji Dergisi, 36, 78-86.
• Tiraki, Y., Bakır, Ç., Serttaş, S., & Temurtaş, H. (2022). Evrişimsel sinir ağları ile otomatik yüz tanıma sistemi. International Journal of Engineering Research and Development, 14(3), 219-224.
• Torun, B., Yurdakul, M., & Duygulu, P. (2007), Benzer yüzlerin bulunması, Bilgisayar Mühendisliği, Bilkent Üniversitesi. http://www.cs.bilkent.edu.tr/~duygulu/papers/SIU2009-Torun.pdf. (Son erişim tarihi: 10 Kasım 2023).
• Wang, M., & Deng, W. (2021). Deep face recognition: A survey. Neurocomputing, 429, 215-244.