Akşam dns yaz sabah sil diye uğraşmaktansa bu işi komut satırından yapabiliyor muyuz diye biraz araştırdım ve netsh komutunu (windows için geçerli) buldum.

netsh komutuyla dns değiştirmek istiyorsa öncelikle hani ağ bağdaştırıcısıyla çalışacağımızı belirlemeliyiz. Bunun için aşağıdaki parametrelerle beraber varolan bağdaştırıcı isimlerini alacağız.

netsh interface ip show config

Gelen sonuçlarda “Kablosuz ağ bağlantısı 1″, “Yerel ağ bağlantısı 2″ gibi isimler göreceksiniz. Hangi bağlantıyı değiştireceğinizi seçtikten sonra aşağıdaki komutta “bağlantı adı” yazan yere ilgili bağlantının adını yazdıktan sonra dns adresini değiştirebilirsiniz.

netsh interface ip set dns name="bağlantı adı" static xxx.xxx.xxx.xxx

Eğer ikincil dns sunucusu eklemek istiyorsanız aşağıdaki komutu kullanbilirsiniz.

netsh interface ip add dns name="bağlantı adı" static xxx.xxx.xxx.xxx

Daha sonra bu adresleri silmek için aşağıdaki komutu kullanabilirsiniz.

netsh interface ip set dns name="bağlantı adı" source=dhcp

Geçen ay yine bu ekipten arkadaşlarla konuşurken bu buluşmalarımız sohbet içeriğinden ayırıp bir çeşit atölye yapma kararı aldık. 16 Ocak Cumartesi günü ise ilk atölyemizi gerçekleştirdik.

Bu ilk atölyemizde perdeyi Yasin Okumuş açtı ve Spring Framework hakkında bir sunum yaparak spring’in ne olduğuna ve çok katmanlı mimarisine dair bilgiler verdi. Yasin’den sonra ise Hüseyin Mert oAuth hakkında bilgi verdi ve yaptığı örnek uygulamayı gösterdi. En son olarak ODTÜ’de buluşmamıza da yardımcı olan Mustafa Dalcı kullanılabilirlik konusunda yazılım tarafında neler yapılabileceğine dair bilgilerini, daha önce Yemek Sepeti, Garanti Bonus vb gibi şirketlere yaptığı çalışmalarla beraber bizlerle paylaştı.

Açıkçası daha önce yaptığımız 2-3 yazılımcı buluşmasına göre çok daha yararlı bir toplantı oldu. İçerik konusunda genelde web ağırlıklı konulara değinsek de toplantılarımızda içerik konusunda herhangi bir sınırlamamız yok. ‘Ben bunu biliyorum’ diyen herkes gelip bizlerle bir şeyler paylaşabilir.

Daha sonraki toplantılar için bluekid’in de yazdığı gibi konu sayısını üç yerine ikiye indirip sadece anlatım değil de etkileşimli bir toplantı yapabiliriz. Ayrıca sunumlara başlamadan önce yeni gelen arkadaşlar için bir tanışma faslı yapıp sunumlar arasında 10-15 dakika ara verip hem kafayı toparlayacak hem de katılımcıların nefes almasını sağlayacak fırsat yaratabileceğimizi de notlarımız arasına alıyoruz.

Bu arada bizim bu atölyeyi yapma kararını aldığımız gün bu buluşmaları iki haftada bir yapmaya karar vermiştik. Buluşmalarımızdan birisini gündemdeki teknolojilere ait sohbet tarzında geçirip diğerini de bu haftasonu yaptığımız gibi atölye tarzında geçirmeyi hedeflemiştik. Yani ayda bir bu tip atölyeler gerçekleştireceğiz. Bu yazıyı okuyan herkesi isterse sunum yapmaya isterse de izleyici olarak katılmaya davet ediyorum. Bizleri friendfeed grubumuzdan takip edebilirsiniz.

Okulum dolayısıyla Trabzon’a yaptığım seferler yüzünden uzun süre erteledim bu düşüncemi. İlk olarak 1 Nisan tarihinde FriendFeed üzerinden yazdığım bir mesaj ile bu fikrimi başkalarıyla paylaştım. Gelen olumlu tepkilerden dolayı bu işi ciddi ciddi düşünmeye başladım. Ancak okulun beni süründürmesinden dolayı uzun bir süre bu olayı erteledik. Taa ki geçen haftaya kadar. 27 Temmuz tarihinde FriendFeed’e bir mesaj daha yazarak konuyu tekrar canlandırdım. Şehir dışından bile gelebilecek kişiler bile olduğunu görünce çok hoşuma gitti bu fikir. Hemen photoshop ile bir afiş tasarlama işine girdim ve idare edebileceğini düşündüğüm bir şey ortaya çıkardım :) FriendFeed’de afişle beraber kayıt formuna ait bağlantıyı paylaşarak kayıtları almaya başladık.

Sonunda cumartesi günü gelip çattığında kayıt formunda kayıtlı 17 kişi bulunmaktaydı. Malesef forma kayıt yaptıran bir çok kişi buluşmaya gelmedi, buna rağmen ilk buluşumada 14 kişiyi bir araya getirmeyi başardık. Buluşmada çekildiğimiz fotoğrafları ilgili friendfeed mesajından görebilirsiniz.

Buluşmada Volkan Salma ile tanışma fırsatını da yakalamış oldum. Uzun zamandır tanışmayı istedğim BlueKid, Cem Öztürk ve Ersan Bilik malesef ise buluşmaya katılamadı. Bir sonraki buluşmada kendilerini aramızda görebilmeyi umuyorum :)

Bundan sonraki buluşmalardan haberdar olabilmek için eposta listemize katılabilirsiniz.

Vadesiz hesaplarından tahsil edilen, bankacılık hizmetlerine ilişkin masraf tutarıdır.

Bireysel Bankacılık müşterilerimizden yılda 2 defa olmak üzere, Vadesiz TL Hesaplarından 29 TL, Döviz Tevdiat Hesaplarından 4,5 Euro karşılığı döviz olarak tahsil edilmektedir.*
* 2009 yılı 1 .yarıyıl için geçerli olan tutardır.

Bu yazıyı gördükten sonra çektikleri ücreti kabullenmiştim, ancak sonra ‘Şikayet Var’ sitesine biraz göz attım ve benim gibi bu sorundan yakınan bir sürü insan daha olduğunu gördüm. Şikayetlerini site üzerinden dile getiren müşterilerin (!) çoğuna aşağıdaki gibi standart cevap verilmişti:

Her bir vadesiz hesabın bankamızda açma, kapama, işletme ve arşivleme gibi maliyetleri bulunmaktadır. Bu maliyetlerin bir kısmının karşılanabilmesi amacıyla ocak ve temmuz aylarında yılda iki kez hesap işletim ücreti alınmaktadır.

2008 yılı 1. yarıyılı için Bireysel Bankacılık Müşterilerimizin vadesiz YTL hesaplarından 25 YTL, döviz cinsinden açılmış vadesiz hesaplarından da 4 Euro karşılığı döviz olarak tahsil edilir. Bu uygulama tüm bankacılık sektöründe uygulanan bir uygulama olup, Bankacılık Hizmetleri Sözleşmesi kapsamında alınmaktadır.

”Bankmızla imzalamış olduğunuz Bankacılık Hizmetleri Sözleşmesinin 3.2 numaralı maddesi aynen şu sekildedir. “3.2. Banka işbu sözleşme konusu işlemler ve hizmetlerle ilgili olarak işlem anında yürürlükte bulunan oranlarda ve tutarlarda komisyon talep etmeye, belli bir mevduatın altındaki hesaplar için Bankanın tek taraflı olarak belirleyip, müşteriye herhangi bir ihbarda bulunmaksızın değiştirebileceği miktarda “Hesap İşletim Ücreti” almaya ve bunları müşterinin Banka nezdindeki res’en tahsile yetkildir.”

Bankamızın hesap işletim ücretinden istisna tuttuğu hesaplar aşağıdaki hesaplar olup, hesabınız istisna kapsamına girmemektedir.

“Maaş Ödemesi yapılan müşterilerimizin sadece maaş hesabının bağlı olduğu vadesiz hesaplarından,

Maaş Ödemesi yapan firmaların maaş ödemesi yaptıkları hesaplardan,

Düzenli Ödemesi bulunan müşterilerimizin sadece ödemelerinin bağlı olduğu hesaplarından,

İki veya daha fazla Otomatik Fatura Ödemesi bulunan müşterilerimizin faturalarının bağlı olduğu ana hesaplardan (31 Mart – 30 Haziran 2008 tarihleri arasında en az bir otomatik fatura ödemesi yapılmış ve ilgili hesapta iki adet ürün halen açık ise),

Müşterinin birden fazla Tek Hesabının olması durumunda en yüksek pozitif bakiyeli vadesiz hesaba bağlı olan dışındaki diğer Tek Hesaplarının bağlı olduğu vadesiz hesaplardan

Üniversite chipcardlarının bağlı bulunduğu ana vadesiz hesaplardan,

Birikimli Mevduat ürünlerinin düzenli ödemelerinin bağlı olduğu vadesiz YTL veya USD/EURO hesaplardan,

Ünibank müşterilerinin tüm vadesiz hesaplarından,

Çocuk ve velinin ortak kullandığı YP Birikimli Mevduat hesabı varsa, bu hesabın aylık ödemelerinin yapıldığı YTL, USD veya EURO cinsinden vadesiz hesaplardan,

G`bank müşterlerimizin YP Birikimli Mevduat hesabı varsa, bu hesabın aylık ödemelerinin yapıldığı YTL, USD veya EURO cinsinden vadesiz hesaplardan,

G’bank üyelerine ait Bonus Kontör kartın bağlı olduğu ana vadesiz hesaplardan,

Dövize Endeksli Tüketici Kredilerinin döviz bazlı ödeme hesaplarından,

30 Nisan 2008 tarihinden sonra açılan hesaplar,

Fon Sepeti ürününün bağlı olduğu vadesiz YTL hesaplardan

Müşterimiz ile görüşülerek , hesap işletim ücreti hakkında yukarıda yer alan bilgiler verilerek , hesap işletim ücretini tahsil edilen hesabının maaş ödemesi aldığı hesabı değil diğer vadesiz hesabı olduğu iletilmiştir.

Saygılarımızla,

T.GARANTi BANKASI A.Ş .

HAKLI MÜŞTERİ HATTI

444 0 338

Yukarıda da yazdığı gibi bu ücretten muaf olan hesap türlerinden biri de “Maaş Ödemesi yapan firmaların maaş ödemesi yaptıkları hesaplar” Dolayısıyla benim hesabım da bu ücretten muaf – olmalıydı.

Bunun üzerine Garanti Bankası’nın web sitesinde İletişim Sayfası‘nda yazan e-posta adresine [bilgi@garanti.com.tr] durumumu izah eden bir e-postayı 28 Şubat 2009 tarihinde gönderdim.

İki gün öncesine kadar olumlu veya olumsuz herhangi bir cevap alamadığım için temmuz ayında muaf olduğum(!) ücreti hesabımdan çekmeden hesabı kapatmaya karar verdim. Şubeye gittiğim ve bireysel hesaplardan sorumlu görevliye durumu izah ettim. Maaş aldığım firmanın (Microsoft) banka ile anlaşması olmadığından dolayı ücretin çekilmesinin normal olduğunu belirtti. Ben de dilekçemi yazıp hesabımdaki parayı çekmek için vezneye gittiğim, veznedeki görevli hesap işletim ücretinin maaş hesaplarından çekilmediğini ifade ederek kafamı biraz daha karıştırdı. Paramı çekip dilekçemi de verdikten sonra eve geldim.

Twitter üzerinden durumu izah edecek bir mesaj yazdım, bunun üzerine Garanti Bankası’nda çalışan Can Koklu Twitter üzerinden biraz mesajlaştık. Aramızda geçen mesajlaşmayı da hemen buraya alalım:

• Ben : Garanti Bankası’na e-posta göndereli 3 ay 13 gün olmuş, halen cevap vermediklerine göre hesabımızı kapatabiliriz. Ey gidi Garanti!
• Can Koklu : Selam.. konu neyle ilgiliydi diye soracağım.. bir de hangi adrese mail attığını soracağım..
• Ben : bilgi@garanti adresine gönderdim. maaş hesabından işletim ücreti alıyorlar ki şubedekiler bile alınmaz diyor. hesabı kapattım.
• Can Koklu : bilgi pek doğru bir iletişim kanalı değil Ahmet. 4440333′den daha hızlı yanıt alabilirdin. Hesabı kapadığına üzüldüm.
• Ben : Garanti iletişim sayfasında yazdığı için güvendim, yanlış mı yaptım? 444′ten arayıp bunun için de ücret mi vermem lazımdı ?
• Can Koklu : şimdi buldum sayfayı. kurumsal iletişim için açılmış bir mail adresi. yanında belirtmemiz gerekirdi. Düzelttiriyorum.
• Ben : garanti iletişim sayfasında yazdığı için güvendim, yanlış mı yaptım? 444′ten arayıp bunun için de ücret mi vermem lazımdı ?
• Can Koklu : 440333′ü kolaylık olur diye vermiştim.. Buradaki formu da kullanabilirsin(din). http://www.garanti.com.tr/hakli_musteri_hatti/sikayetim_var.html
• Ben : telefonu da kullanabilirdim, formu da kullanabilirdim de madem e-posta adresine cevap verilmiyor, orada olmasının amacı ne?
• Can Koklu : ok biraz daha araştırdım.. oraya atılan mailler müşteri hizmetlerine gidiyormuş.. bakayım bir sebebi neymiş..
• Ben : ilgilendiğin için teşekkür ederim.
• Can Koklu : no problem.. keşke hesabı kapamadan önce haberim olsaydı..
• Ben : keşke hesabı kapatmadan önce e-posta adresine değil de twitter’a haber salsaydım :)

Can Kolu’nun keşke kullansaydın dediği Garant Bankası’nın Haklı Müşteri Hattı’nda bulunan Şikayetim Var formunu da öğrendikten sonra hemen oraya da durumu özetleyen bir mesaj gönderdim. Ne mi oldu ? Halen cevap yok.

Şimdi yazılan çizilenlere bir bakalım:

• Garanti bankası Ocak ve Temmuz aylarında olmak üzere yılda iki kere hesap işletim ücreti alıyor. (Kaynak: Garanti Bankası Web Sitesi)
• Maaş hesapları hesap işletim ücretinden muaf. (Kaynak: Garanti Bankası’nın ŞikayetVar.com mesajları)
• Çalıştığınız firmanın Garanti Bankası’yla anlaşması olmadığı için bu ücret çekilebilir-miş. (Kaynak: Şubedeki görevli)
• Maaş hesaplarından hesap işletim ücreti alınmıyor-muş (Kaynak: Şubedeki bir diğer görevli)

Şimdi de gelişmelere bakalım:

• Ocak 2009′da çekilen 29 lira hesap işletim ücreti.
• Garanti Bankası’na 28 Şubat 2009′da konuyla ilgili gönderilmiş bir e-posta.
• 28 Şubat’tan bu yana gönderilmemiş bir cevap.
• 9 Haziran 2009 tarihinde hesabı kapatmadan önce durum hakkında bilgi almak üzere son kez gönderilen bir e-posta
• Garanti Bankası’ndan gönderilmemiş bir cevap.
• Hesabı kapattırmam ve ardından eve gelip bilgi@garanti.com.tr adresine hesabı kapattığımı ifade edip ilgileri için teşekkür ettiğim bir e-posta.
• Garanti Bankası’ndan gönderilmemiş bir cevap.
• Can Koklu’nun keşke gönderseydin dediği adrese de durumu izah eden bir mesaj.
• Garanti Bankası’ndan gönderilmemiş bir cevap.
• Can Koklu’nun belirttiğine göre bilgi@garanti.com.tr’nin kurumsal bir iletişim adresiymiş, iletişim sayfasını düzelttireceğim demişti.
• İletişim sayfasında halen değiştirilmeyen e-posta adresi.

Bundan sonra bu konu hakkında yazacak bir şeyim yok. Zaten derdimi fazlasıyla yazdım. Umarım Garanti Bankası da bana 29 liralık bir cevap verir.

Sizin bölümden mezun olunca ne iş yapılıyor?

Bu soruyu bilgisayar mühendisliği okuyan kişilerin daha çok duyma sebebi ise bölümün diğer lisans bölümlerine göre daha yeni olması ve bir-iki üst kuşaktaki insanların bilgisayara halen daha uzaktan selam vererek geçmesidir.

Soruyu soranları iki gruba ayırabiliriz. Birinci grup üst kuşaktaki insanlardan oluşuyor. Bu kişilerin amacı bölüm veya dersler hakkında bilgi almak değil, sadece ileride iş bulunabilecek imkanlar var mı diye yoklamak için soruyorlar. Bazen de özel sektörde mi yoksa devlet dairelerinde mi çalışılabilineceğini de kontrol edebilirler. Ama bölümün veya mesleğin ne yaptığı onları pek ilgilendirmiyor. Zaten; “mikroişlemci tasarlıyoruz” gibisinden bir cevap onları tatmin etmeyecektir.

İkinci grup ise bizden bir alt kuşak veya yaşıtlarımızdan oluşuyor. Eğer öss belasıyla henüz tanışmamış veya bir üniversiteye girme hedefi olan bir kişi bu soruyu soruyorsa bölümü gerçekten merak ediyordur. Ancak bu kişilerin amacı da malesef pek iç açıcı olmuyor. Öss’ye girmeden önce kafalarında herhangi bir bölüm/meslek olmadığı için adeta bütün bölümlerin içeriğini yoklama ile öğreniyorlar. Sonra ben bunu yapabilirim şunu yapamam diyerek bir takım elemeler yapıyorlar. Ellerinde kalan bölümler ise muhtemlen öss sonrasında tercih formlarında kendini gösteriyor.

Buradaki üzücü nokta ise çoğu lise mezununun öss öncesinde kafalarında herhangi bir bölüm veya meslek hedefi olmaması. Lise bitene kadar herhangi bir meslek hedefi olmadan güle oynaya okula gidip, ezberlerini yapıp (askini iddia eden?) derslerini geçip liseyi bitirip mezun oluyorlar. Lise bitip öss belasını da atlattıktan sonra sınav öncesi eleyip ellerinde kalan bölümleri öss sonrasında aldıkları puana göre bir kez daha süzgeçten geçirip, harmanlayıp geleceklerini belirliyorlar. Eğer sınavdan aldıkları puan yüksek ise güzel (güzel?) bölümlere giriyorlar, çalışma disiplinleri de varsa (zeki olduklarını söylemiyorum) üniversiteyi de güzelce bitirip şans eseri gelen bir mesleği yapmaya çalışıyorlar. Malesef bizim bölümde de (bilgisayar mühendisliği) okuyan bir çok arkadaşın aslında bu bölümü sadece puanları yettiği için seçtiğini biliyorum. Hatta mezun olduktan sonra bu mesleği yapmayacaklarını da biliyorum. Varolan düzen içinde “üniversite oku” görevinin başına bir + koyarak hayat yollarına önceden belirlenen görevler doğrultusunda devam ediyorlar.

Tabii herkesin puanı beklediği kadar yüksek olmuyor. Kafalarında sınav öncesinde şu veya bu şekilde bir bölüm/meslek belirlemiş ancak bu hedeflerine yetecek puanı almayan kişiler ise genelde ailesinin bulunduğu şehir ve çevresini baz alarak yeni seçimler yapıyorlar. Bir sene daha kaybedip “ilk sene kazanamadım” demeyi göz önüne almaktan korkuyorlar genelde, bazen de maddi durumları iyi olmadığından hemen üniversiteye girip mezun olup iş bulma derdindeler.

Liseden mezun birçok öğrenci malesef kendilerine, kişiliklerine ve yeteneklerine uygun bir bölümü hedeflemek yerine öss’de yapabileceklerinin en iyisini yapıp aldıkları puana göre en yüksek puanlı bölümü seçiyorlar. Ondan sonra da bizim bölüm çok zor, bu meslek çok zor, parası az, bu meslekte çok çalışmak gerekiyor gibi yakınmalarını meslek hayatlarının sonuna kadar sürdürüyorlar. Çünkü seçtikleri meslek kendilerine değil puanlarına uygun meslek. Puanları ise üniversitenin ilk günü onları yalnız bırakacaktır. Uzun lafın kısası umarım içinde bulunduğumuz sistem, sadece öss’yi kastetmiyorum, değişir ve insanlar puanlarının değil de kendilerinin yapabileceği en iyi mesleği/bölümü seçerek iş hayatları boyunca severek bir mesleği yapmanın hazzını yaşayabilirler.

Konuyu başlıktan oldukça uzaklaştırdığımı biliyorum ancak uzun zamandır böyle bir yazı yazmak istiyordum, giriş bölümü sadece beni ve sizi konuya hazırlamak içindi diyorum ve yazıya son noktayı koyarken yorumlarınızı da esirgememenizi diliyorum.

Normal şartlar altında 400$ değerinde olan bir test bu 3.9 milyon dolarlık yatırımla beraber 25$ gibi cüzi bir ücrete yapılacakmış ve olabildiğince çok kişiyi test ederek hastalığa çözüm bulunması ümit ediliyor.

Google’ın yaptığı en hayırlı işlerden biri bu gibi görünse de bu testleri yapacak firmanın kurucuları arasında  (yine gezeteden okuduğum kadarıyla) Sergey Brin’in eşinin de yer aldığı söyleniyor. Sağ cebinden alıp sol cebine para koyarak bu hastalığa çözüm bulmalarını diliyoruz. Büyüksün google(!)

Biyometri Nedir?

Biyometri insanları birbirinden ayırt edebilecek fiziksel özelliklerini ve sergiledikleri davranışları inceleyen bilim dalıdır.  İnsanları birbirinden ayırt edebilme şansını bize sunduğundan dolayı biyometri bir kimlik doğrulama sistemi olarakta kullanılmaktadır. Biyometrik tanıma sistemleri bir bireyin gerçekten ‘kim’ olduğunu kanıtlamasına olanak sağlar.

İnsanların bunu yapması için ek olarak bir kart, cihaz, kimlik taşımamaları ve şifre gibi ezbere dayalı bilgileri kafalarında tutmamaları ise bu biyometrik tanımanın önemli avantajlarındandır. Unutulması veya başkası tarafından kullanılması söz konusu olmayan bir kimlik onaylama yoludur. Bu sayede kimlik, pasaport, ehliyet gibi kartların yerini tamamen alacak bir sistem geliştirilebilir. Hem daha güvenli hemde aşılması zor sistemler gün geçtikçe orataya çıkacaktır. Örneğin üniversitemizin giriş kapısında bulunan kapılarda manyetik kartlar yerine araç sürücüsünü tanıyarak girişne izin veren bir sistemin kullanılması çok daha güvenli ve mantıklı olacaktır. Bu sayede yetki verilen kişi başka araçla da giriş yapabildiği gibi, yetkisiz bir kişi herhangi bir kartla giriş yapamayacaktır.

Biyometrik tanımada kullanılacak birden fazla yöntem vardır. Gereksinimlere göre bu yöntemlerden biri veya birkaçı kullanılabilir. Birden fazla yöntemi bir arada kullanmak sonuçları kesinleştirmek için gerekli olabilir. Bu yöntemler her zaman doğru sonuçları vermeyebilir, bundan dolayı kullanım alanına göre yüksek başarı sağlayanlar seçilmelidir. Başarı oranının yanı sıra tanıma işleminin gerçekleşmesi için gereken sürede yöntemlerin seçilmesinde dikkate alınmalıdır. Gerçek zamanlı (real-time) tespit yapmak gerektiğinde yöntem seçimine çok daha fazla dikkat edilmelidir.

Genel olarak bu sistemlerin çalışma prensibi; her yöntemin kendine ait girdi cihazıyla alınan verilerin analiz edilip daha önceden girilmiş değerlerle karşılarşıtırılıp eşleştirilmesine dayanmaktadır. Bilgisayarların birim zamanda yaptığı işlem sayısının sürekli artması  göz önüne alındığında eldeki veriler ile anlık olarak alınan örneğin karşılaştırılma hızı da gittikçe artmaktadır. Saniyeler içinde yüzbinlerce veriyi karşılaştırıp doğru sonuçları veren sistemler günümüzde çeşitli alanlarda kullanılmaktadır.

Biyometrinin Tarihi
İnsanoğlu biyometrik tanımayı doğduğu andan itibaren yapmaya başlar. Yeni doğan bebekeler gerek annesini gerek çevresindeki diğer kişi ve cisimleri sıfırdan başlayarak öğrenir. Bu öğrenme işlemini veritabanına ilk bilgilerin girilmesi olarak düşünebiliriz. Yeni doğan bebekler örneğine dönersek bu bebekler daha sonradan gördüğü, duyduğu yani duyu organlarıyla algıladığı her şeyi önceki veriler ile karşılaştırıp belirli sonuçlar elde ederek tanıma işlemini yapar. Örneğin annesini sesinden ve kokusundan rahatlıkla tanıyabilir. Beynimiz bu tanıma işlemlerini otomatik olarak yapmaya başlar ve genellikle mükemmele yakın başarı sağlar.

Beynimiz tarafından otomatik olarak yaptığımız bu tanımanın yanı sıra sistematik olarak yapılan tanımanın ilk örnekleri insanoğlunun tarihi kadar eski değildir. Binlerce yıl önce yaşamış insanların birbirlerini göz rengi, ten rengi, boy gibi kolaylıkla ölçülen özelliklerle kesin olarak ayırt ettikleri konuyla ilgili kaynaklarda belirtilmektedir.

Birçok yeni teknolojinin geliştirilmesinde olduğu gibi biyometrinin de gelişiminde güvenlik unsuru öncülük etmiştir. Biyometrik tanıma birçoğumuzun filmlerden aşina olduğu parmak izinden suçluyu tespit etme gibi yöntemlerle hala kullanılmaktadır. Hızla gelişen teknoloji sayesinde parmak izinin yanı sıra günümüzde bir çok yöntem ile bu tip suçlu tespiti yapılmaktadır. Bunların en bilindik olanlarından biriyse DNA testidir. İnsanların DNA’larının birbirinden farklı olduğu dış görünüşümüne de yansıdığı gibi belirgin bir şekilde ortadadır. Tek yumurta ikizleri haricinde (tek yumurta ikizlerinin parmak izleri birbirinden farklıdır) bir insanın başka bir insanla aynı DNA’ya sahip olmadığından dolayı günümüzde bu testlerde geçerliliğini korumaktadır.

Başlıca Biyometrik Yöntemler ve Çalışma Prensipleri

Biyometrik yöntemlerin genel çalışma prensibi iki adımdan oluşmaktadır. Birinci adımda tanınacak kişinin ilgili yönteme ait bilgiler gerekli araçlar vasıtasıyla bilgisayar ortamına aktarılıyor. Bu bilgiler yine yönteme özel algoritmalar sayesinde analiz ediliyor ve kişiyi tanımlayacak parametreler bu bilgiler içinden seçilerek veritabanına kayıt ediliyor. İkinci adım ise kişinin kimlik doğrulama isteğidir. Bu adımda sisteme aynı araçlar vasıtasyıla girilen bilgiler genellikle kayıt sisteminde uygulanan aynı algoritmayla analiz edilip veritabanındaki bilgilerle karşılaştırılıp eşleştirmelere bakılıyor. Eğer eşleşme varsa kişinin kimliği onaylanmıştır aksi halde sistemde bir sorun yoksa kişi iddia ettiği kimliğe sahip değildir.

Yukarıda geçen birinci adımında gerekli olan algoritmalar yöntemler arasında büyük farklılıklar göstermektedir. Örneğin ses ve parmak izi tanıma arasında bilgiyi dijital ortama aktaran araçlardan bu bilginin analizinde kullanılan algoritmaya kadar çoğu araç ve yazılım farklıdır. Ancak sisteme alınan bilgilerin işlenişi çoğunda ortaktır. Hangi yöntemde olursa olsun analogdan dijitale çevirilen veri içinden belirli özellikler seçilir. Bu özellik seçimi sonucunda ortaya çıkan veriler bizim karşılaştırma ve kayıt fonksiyonlarına vereceğimiz parametrelerdir. Bu parametrelerin sayısı arttıkça tanıma işleminin doğruluğu artar. Ancak doğru orantılı bir artış söz konusu değildir. Belirli bir limitten sonra parametre sayısının arttırılması sadece sisteme ek yük getirecektir ve tanıımanın doğruluğu üzerinde bir etki etmeyecektir.    Örneğin bir kişiyi tanımak için sadece boyunu parametre olarak alırsak aynı boyda iki insanı ayırt edemeyiz. Bunun yanı sıra eğer kişilerin kilolarını da parametre alırsak başarı oranımız artar.  Kişinin vücudundaki bütün ölçüleri almanın bir anlamının olmayacağı ortadadır.

Biyometrik tanıma işlemindeki bu iki adıma dört ayrı katman olarak bakabiliriz:

• Yönteme ait cihazlar ile analog ortamdan dijital ortama veri aktarımı

• Dijital ortamda aktarılan verilerden gerekli parametrelerin çıkarılması

• Bu parametrelerin önceki verilerle karşılaştırılması

• Karşılaştırma işleminin yapılması için gerekli olan verileri tutacak veritabanı

Analog ortamdan dijital ortama veri aktarımı sırasında kayıt esnasındaki ortamın tamamen aynısını oluşturmak çok zordur. Bundan dolayı çıkarılacak parametrelerin çevre koşullarının değişimine karşı sabit kalması veya sonucu etkilemeyecek kadar az değişmesine dikkat edilmelidir.

Örneğin bir ses tanıma sisteminde kayıt esnasında kişi mikrofona konuştuğu zaman çevredeki seslerde kayıt altına alınacaktır. Kimlik doğrulama için aynı kişi tekrar mikrofona konuştuğunda ise çevredeki seslerin (gürültülerin) aynı olamaz. Bundan dolayı tanıma işleminde kullanılacak parametreler özenle seçilmelidir.

Bu tip yanlış algılama olasılıklarının olduğu biyometrik tanıma yöntemlerinin kıyaslanması için aşağıdaki terimler ileri sürülmüştür:

• False Accept Rate (FAR) : Sistemin veritabanında bulunmayan bir kişiye ait bilgileri yanlış analiz etmesinden ve veritabanında bulunan biriyle eşleştirmesinden kaynaklanan yanlış tespitlerin oranıdır.

• False Reject Rate (FRR) : Sistemin veritabanında varolan kişileri sonraki bir tarama sonucunda bulamamasının oranıdır.

Bu iki orana bakılarak tanıma yöntemleri birbirleriyle kıyaslanabilir.

i.    Parmak İzi Tanıma

Tarihçe:
Parmak izinin oldukça eski bir tarihi vardır. Nehemiah Grew (1684), Marcello Malpighi (1686)  ve  J. E. Purkinje (1823)  adlı bilimadamları parmak izlerinin birtakım özellikler barındırdığına dikkat çekmiş olmalarına rağmen bu özelliklerin kişi tespitinde kullanacak kadar benzersiz olduğunu ortaya sürecek herhangi bir çalışma yapmamışlardır.

Günümzüde kullanılan yöntemlerin temeli olarak kullanılan parmak izi tanıma sistemlerinin temeli ise Henry Faulds ve Wiliam James Herschel adında iki İngilizin bilimadamının çalışmalarıyla başlamıştır. Bu iki bilimadamı kişilerin parmak izlerini alma yöntemleri üzerine çalışmışlar ve temel olarak mürekkep kullanımının üzerine gitmişlerdir.

Sir Francis Galton (1822-1911)  istatistik üzerine yaptığı çalışmalar soncunda iki bağımsız değişken arasındaki doğrusal ilişkinin yönünün ve kuvvetini belirten korelasyon (correlation) yöntemini ileri sürmüştür. Bu sayede iki örüntü (pattern) arasında karşılaştırma yapacak bir yöntem elde etmiştir. Çalışmalarının devamında insanların parmak izleri arasındaki farkı sınıflandırıp ayırt edecek yöntemler ortaya çıkarmıştır. Galton parmak izinin kalıtımsal olmadığını ve her insanın parmak izinin birbirinden farklı olacağını çalışmalarıyla ortaya çıkarmıştır.

Galton’un çalışmalarını takiben Dr Henry Faulds (1983-1930) parmak izinin sınıflandırılmasına tam olarak açıklık getirmiştir. Farklı sınıflandırmala olsa bile Galnton ve Henry’nin yaptığı çalışmaların ürünü olan sınıflandırma sistemi yaygın olarak kullanılmaktadır.

Günümüzdeki sistemlerde bu sınıflandırma genelde iki parmaktan alınan örnekler üzerinde gerçekleştirilmektedir. Tek parmaktan alınan bilgi ile de aynı işlem yapılabilir olmasına rağmen güvenlik ve stabil çalışma açısından en az iki parmak izi alınmaktadır. 25 Haziran 2007’de ABD’de sınır kapılarında bundan sonra iki değil on parmak izinin birden alınacağı bir sisteme geçileceğini açıklamıştır.

Ülkemizde parmak izinin incelenilmesi ve biyometrik tanıma olarak kullanılması 1910 yılında Macar asıllı Yusuf Cemil tarafından başlatılmıştır. Daha sonra ise polis teşkilatı tarafından kullanılmıştır.

Özellikleri:
Galton ve Henry’nin çalışmaları sonucunda ortaya çıkan sınıflar çizgilerin şekline göre ayrılmaktadır ve bu sınıflar aşağıdaki gibidir:

• Yay (arch)
• Döngü (loop)
• Helezon (whorl)

Yay (Arch)                      Döngü (Loop)               Helezon (Whorl)

Daha detaylı işlemler için bu sınıflarda alt sınılara bölünmektedir.

Bu sınıflandırmaların yanı sıra parmak izlerine çizgi bazında bakıldığında belirli özelliklere sahip noktalar ortaya çıkmaktadır.

• Eni boyuna neredeyse eşit olan çizgiler nokta (ridge dots) olarak alandırılır



• Noktalardan daha uzun olan ve değişken boyutlu çizgilerde vardır ve ada (island) olarak adlandırılır



• Bir çizginin bölünüp birden çok çizgiye ayrılıdığı noktalar çatal (bifurcation) olarak adlandırılır


Karşılıklı çatal (opposed bifurcation)

İkili Çatal (double bifurcation)

Üçlü Çatal (trifurcation)

• Çizgilerin bitiş noktalarıda özel olarak ele alınır
  
• Birden fazla çizginin kesiştiği noktalarda özel olarak ele alınır
  
• Bir çizginin çatallaşıp kısa bir mesafe sonra tekrar birleşmesi sonucunda oluşan kapalı yapıya göl (lake) adı verilir.
  
• Paralel giden iki çizgiyi birleştiren kısa çizgilere de köprü (bridge) adı verilir.
  

Parmak izi tanıma işlemi korelasyon yöntemiyle yapıldığı gibi yukarıda belirtilen özel noktaların yer ve sırasına göre de yapılabilir. İkinci işlem için graf yapısı oluşturulmalıdır. Korelasyon işleminin doğru sonuç verebilmesi yön bilgisine de bağlı olduğundan örnek alınırken buna dikkat edilmelidir.

Parmak izinden gerekli özellikleri çıkarmak için belli başlı görüntü işleme tekniklerini uygulanmaktadır.

• Görüntünün gürültülerden arındırılması
• Kenar algılama
• Özelliklerin çıkarılması

Parmak izinin gürültülerden arındırılması işleminde belirli filtreler kullanılır. Median, mean ve gaussian gibi filtreler bunlardan bazılarıdır.

Kenar algılama filtreleri olarak sobel, gradient, prewitt gibi filtrelerl kullanılır.

Özellik çıkarma işlemi için kenar algılama sonucunda elde edilen görüntüde inceltme algoritmaları uygulanıp çizgiler özellik çıkarma için uygun hale getirilir. Daha sonra çizgilerin bitiş ve çatal noktaları elde edilir.

Avantajları:

• Parmak izinin kolaylıkla alınabilmesi.
• İkizlerde bile farklılık gösterir.
• Parmak izinin değiştirilip bir başka parmak izine benzetilmesi zordur
• Belirli özelliklerinin çıkarılıp sadece bu özelliklerin saklanması sayesinde hızlı arama yapılabilir.

Dezavantajları:

• Örnek alınan parmağın yıpranması sonucu aynı izin tekrar elde edilemeyebilir.
• Kişinin kilo alması gibi fiziksel değişimlerden parmağında etkilenmesi ve parmak izinin eskisiyle örtüşmeyecek hale gelmesi mümkündür.
• Parmak izinin kalıbının kendisi yerine kullanılma ihtimali vardır.

ii.    Yüz Tanıma

Tarihçe:
İnsan yüzü parmakta olduğu gibi özelliklerinin kolay çıkarılabileceği bir yapıya sahip olmadığınadan yüz tanımanın gelişimi ve kullanımı parmak izinde olduğu kadar eskiye dayanmamaktadır. Yüzümüzün içerdiği özelliklerin fazlalığı bu özellikleri kullanacak yöntemlerin sayısını da arttırmıştır. Değişik özellikleri kullanan değişik yöntemler ortaya çıkmıştır. Bunlardan ilki sayılabilecek yöntem ‘eigenfaces’ Matthew Turk ve Alex Pentland 1987 yılında ortaya atılmıştır. Yüz tanımada kullanılan başlıca yöntemler aşağıdaki gibidir:

• PCA
• ICA
• LDA
• EP
• EBGM
• Kernel Methods
• Trace Transform
• AAM
• 3-D Morphable Model
• 3-D Face Recognition
• Bayesian Framework
• SVM
• HMM
• Boosting & Ensemble

‘Eigenface’ örnekleri

Yüz tanıma yöntemi kullanılarak 2000  yılında Meksika’da  yapılan seçimlerde birden fazla oy kullanılmasını engelleyecek bir sistem oluşturulmuştur. Ayrıca 2001 yılında ABD’de yapılan NFL (National Football League) finalinde 19 suçlu yakalanmıştır. ABD’de verilen ehliyet, kimlik gibi belgelerde bir kişinin farklı adlarla kayıt yaptırmaması amacıyla yüz tanıma sistemi kullanılmaktadır.

Özellikleri:
Yüz tanıma yönteminde kişilerden örnek almak diğer yöntemlere göre çok daha zordur.  Sıradan bir kamera ile çevreden birçok yüz görüntüsü alınabilir. Ancak burada başka bir sorun ortaya çıkmaktadır. Kamera tarafından alınan görüntüde tamamen yüze ait bölge bulunmalıdır. Bunun için ‘Face Detection’ yani yüz bulma algoritmaları kullanılmaktadır. Yüz bölgesi bulunduktan sonra işlemeler burada devam etmektedir.

Bu adımdan sonra değişik yollar izlenerek yüz tanıma işlemi yapılabilir. Bazı yöntemler yüzde bulunan oranları karşılaştırıken bazılar YSA ile öğreterek tanıma yapmaktadır. Bu yöntemlerin çalışma şekilleri aşağıda kısaca açıklanmıştır.

PCA yönteminde tanıma işleminin yapılabilmesi için alınan örneklerin veritabanında bulunanlar ile aynı boyutta olması gereklidir. PCA tekniği temel olarak çok boyutlu veri kümelerini analiz edilebilmesi için daha az boyutlu kümelere dönüştürür. Bu yöntemde yapılan işlem Karhunen-Loève transformu olarak da bilinmektedir. PCA yönteminde veritabanında saklanan görüntüler küçültülmüş ve sıkıştırılmış olarak saklanmaktadır. Bu sayede vertabanın yükü azaltılmış ayrıca arama hızı arttırılmıştır.

ICA (Independent component analysis) yöntemi çok değişkenli işaretleri alt parçalara bölerek işlem yapmaya dayalı bir hesaplama metodudur.

LDA (Linear Discriminant Analysis)  elde varolan sınıfların özelliklerini ölçerek yeni gelen örneklerin sınıflandırılmasını sağlayan bir yöntemdir. Sınıflar arasında farklılıklar arttırılmaya çalışılırken sınıf içindeki örneklerin arasındaki farklar azaltılmaya çalışılır. LDA sadece sınıflandırma yapmaya yarayan bir yöntemdir. Veri tipi hakkında herhangi bir bilgi vermez.

EP (Evolutionary Pursuit) genetik algorimtaları kullanarak sınıflandırma yapan bir yöntemdir. Karşılaştırılacak örnek sayısı (durum uzayı) çok büyük olduğu zaman genetik algoritmalara başvurmak hızlı bir çözüm elde etmemize yardımcı olmaktadır.

EBGM (Elestic Bunch Graph Matching) yönteminde insan yüzünü graf olarak ifade eder. Graftaki düğümler burun, göz gibi belirgin noktalardan oluşur. Kenarlar, noktalar arasındaki 2boyutlu uzaklıklar ile ağırlıklandırılır.  Her düğümde farklı faz ve genlikte oluşturulmuş 40 adet Gabor wavelet katsayısı bulunur. Bu katsayılara ‘jet’ denilmektedir. Tanıma işlemi jet’ler ve ağırlıklandırılmış kenarlar ile yapılır.

Trace Transform Radon dönüşümünün genelleştirilmiş halidir. Radon dönüşümü iki boyutlu uzayda düz çizgilere uygulanan intergral dönüşümüdür. Ters radon dönüşümü ile görüntülerin tekrar oluşturulması sağlanabilir. Trace transform sayesinde cisimleri tanırken rotasyon, boyutlandırma gibi transformasyonların ektileri ortadan kaldırılır. Bu sayede farklı açılardan görüntüsü alınan cisimlerde tanınabilir.

AAM (Active Appearance Model) nesnelerin şekillerini istatistiksel bir modelidir ve iki resmin eşleştirilmesi için kullanılan bir hesaplama yöntemidir. Algoritma gri seviye resimler üstünde tahmin edilen nokta ile hedef nokta arasındaki farkların hesaplanmasıyla (least squares) çalışır.

3-D Morphable Model yukarıda kullanılan tekniklere göre daha değişik bir yaklaşım ile yüz resimlerini 3 boyutlu olarak inceler. Örnek olarak alınan resmin çekildiği ortam ile veri tabanındakini karşılaştırırken çevre koşullarının değişimini 3 boyutlu görüntüye uyarlayarak elde ettiği sonuç ile karşılaştırma yapabilir. Bu yöntemi açıkayacan örnek programın videosunu izleyebilirsiniz. Verilen resimden 3boyutlu görüntüyü çıkarması ve transformasyonlardan bağımsız olması bu yöntemi güçlü kılmakla beraber uygulanmasını da bir o kadar zorlaştırmaktadır.

3-D Face Recognition bu yöntemin getirdiği en büyük yenilik yüz görüntüsünde kişinin doğal ifadeleriden bağımsız olarak tanıma yapabilmesidir. Öncelikle yüz bölgesi ve dokusu belirlenir.  Daha sonra bu bölge içinden gereksiz ve tanımayı zorlaştıracak bölümler (saç, vs) atılır. Bu işlemin ardından yüzün 3boyutlu gösterimi elde edilir. Bu elde edilen görüntü tanıma işlemi için kullanılmaktadır.
Bayesian Framework Bayes teoremine dayanan ve olasılıksal benzerlikleri ölçen bir yöntemdir. Bu yönteme göre iki çeşit yüz görüntüsü varyasyonu vardır: intrapersonal (kişinin içinde gelişen) ve extrapersonal (kişinin dışında gelişen). Yüzler arasındaki benzerlik Bayesian kuralına göre ölçülmektedir.

SVM (Support Vector Machine) yöntemi verilen noktaları destek vektörleri ile ifade eder ve aynı sınıfa ait noktaları bir bölümde tutacak bir hiperbol çizmeye çalışır. PCA yöntemiyle özellik çıkarımı yapıldıktan sonra SVM yöntemiyle görüntü ikilieri arasındaki farklar araştırılır. Yani veri tabanındaki görüntülere ait vektörler ile alınan örnek vektörleri karşılaştırılır.  SVM yöntemiyle resimde işaretlenen belirli noktaların takibi de yapılabilir. Kamera karşısında bulunan bir insanın yüzünü göz-ağız gibi bölgelere ayırarak bunların takibini yapan SVM yöntemiyle insanın ruh halini gösteren bir videoyu izleyebilirsiniz.

HMM (Hidden Markov Models) bir istatsitiksel model olup bir işareti karakterize etmek için kullanılır. HMM işlemi bilinmeyen parametreleri gözlenebilir parametreler ile elde etmeye yardımcı olur. Ortaya çıkarılan model parametreler ‘doku eşleştirme’ – ‘pattern matching’ için kullanılır. HMM yöntemi Bayesian ağı yönteminin basit bir hali olarakta nitelendirilebilir.

Avantajları:

• İnsan yüzlerinin tek yumurta ikizleri haricinde birbirnden tamamen farklıdır.
• Parmak izindeki kadar kolay taklit edilemeyecek özellikleri barındırırır. Bundan dolayı taklit edilmesi oldukça zor bir tanıma yöntemidir.
• Örnek alma işleminin sadece bir kamera ile kolaylıkla yapılabilinir.

Dezavantajları:

• Uygulanması diğer yöntemlere göre oldukça zordur.
• Çevre koşullarından çok fazla etkilenmesi.
• Kişilerin yüzündeki ufak mimiklerden bile tanımanın yanlış sonuçlar verebilme ihtimali vardır.
• Yüzde oluşacak bir yara ve hasarın tanımayı olumsuz etkilemesi söz konusudur.

iii.    İris Tanıma

Tarihçe:
1936 yılında Frank Burch isimli göz doktoru bir bireyi tanımak için iris desenlerinin kullanılabileceği fikrini öne sürdü. 1985 yılında Dr. Leonard Flom ve Dr. Aran Safir tüm irislerin eşsiz olduğunu ispatlayarak 1987 iris tanıma ile ilgili patentlerini aldılar. Dr. Flom, Dr. John Daugman’dan iris tanımayı otomatik hale getirecek bir algoritma geliştirmesini istemiştir. 1993 yılında ABD’de Defense Nuclear Agecny bu işlemi yapacak bir prototip üstünde çalışmalara başlamıştır. 1995 yılında tamamlanan sistem Dr. Daugman’a bu dalda bir patent kazandırmıştır. 1995 yılında otomatik iris tanıma yapabilen cihazlar piyasaya çıkmaya başlamıştır.

Özellikleri:

İris tanıma sistemleri yüz ve parmak tanımada olduğu gibi özel noktaların çıkarılmasıyla yapılamamaktadır. Daha çok ‘pattern recognition’ olarak bilinen doku arama yöntemiyle yapılır.

İris tanımada ilk adım göz resminden iris bölgesinin bulunmasıdır. Bunun için iris şeklinden yararlanılabilineceği gibi göz bebeğinin siyah renginden de yararlanılıp histogramdan da bu bölge çıkarılabilir. Ayrıca sobel kenar algılama algoritması ile kenarlar bulunup ‘circle detection’ algoritmalarıyla da göz bebeği ve iris bulunabilir. Göz kapağının tamamen açık olmadığı durumlarla da karşılaşılabileceği için önce göz bebeği ardından irisin bulunması daha iyi sonuçlar vercektir.

İris bölgesi seçildikten sonra bu bölge üzerinden dokuya dayalı olarak özellik çıkarma işlemleri yapılır. Bu özellik çıkarma ve karşılaştırma işlemininde birden fazla yolu bulunmaktadır.

Bu yöntemlerden biri göz bebeğinin etrafından alınan parçalar üzerinde işlem yapmaktır. Tüm iris üzerinde işlem yapılmamasının bir diğer sebebi ise göz kapağının yarı kapalı olması ve kirpiklerin irisi örtmesidir. İris üzerinden göz bebeğine bitişik yerlerden belirli sayıda parça alınarak bu karşılaştırma yapılabilir.

Yukarıdaki şekilde olduğu gibi göz bebeğinin sağından solundan ve altından belirli sabit büyüklükte parçalar alınır. Bu parçaların büyüklüğünün her zaman eşit olduğuğunu garanti altına almak için örnek olarak alınan görüntülerin boyutları sabit olmalıdır. İşleme başlamadan önce resmi tekrar boyutlandırmak gerekebilir. Görüntüden örnek olarak alınan bu üç parça birleştirilerek bu üçlü parçaya ait co-occurance matrisi oluşturulur.

Belli bir yönde ‘d’, belli bir mesafede ‘a’ belirlenen gri seviye değerleriyle iki pikselin resim üzerinde hangi sıklıkta bulunduğunu belirten matrise co-occurance matris denir. Herhangi d ve a değerleri kullanılabilir, bu değerlerin seçimi bir kurala tabi değildir.

Yönü belirten açı değeri 0; I, gri seviyeye sahip resmimizde mesafeyi ‘a’ olarak alırsak ; co-occurance matris de p ile simgelensin, i = I (x,y) , j = I (x+a,y) => p (i,j) değeri bir arttırılır. Bu işlem resmin tamamına uygulanır ve sonuçta co-occurance matris oluşturulmuş olur.

Bu matris oluşturulduktan sonra yapay sinir ağlarını eğitmekte kullanılır. Daha sonra alınan örnekler üzerinde de aynı işlem yapıldıktan sonra YSA ile sınıflandırma yapılarak eşleştirme sonucu elde edilir.

Avantajları:

• İris parmak veya yüz gibi vücud dışında olan bir organ olmadığından dolayı zarar görme olasılığı daha düşüktür.
• Parmak izi gibi yöntemlerde örnek alınırken fiziksel olarak temas olduğundan dolayı örnek alma sırasında yanlış veriler alınabilir. İris örneği alınırken ~10cm mesafeden bir resim çekilmesi yeterlidir.
• Tek yumurta ikizlerinde bile iris yapıları farklıdır. Yani iris dokusu tamamen kişiye özel bir yapıdadır.
• Doğumdan sonra oluşan iris dokusu dışardan bir etki gelmediği sürece ölene kadar değişmez.
• Göz, insanın ölümünden sonra en kısa sürede değişime uğrayan organlardan biridir.

Dezavantajları:

• Tanımanın yapılabilmesi için çekilen resmin çözünürlüğünün ve kalitesinin çok iyi olması gerekir.  Aksi halde beklenen sonuçlar elde edilmeyebilir.
• Yüksek çözünürlüklü iris resimleri ve üzerine iris deseni basılmış lensler ile varolan sistemleri aşmak mümkün olabilir.

iv.    Retina Tanıma

Retina tanıma işlemi insanın göz bebeği arkasındaki damar tabakanın tanınmasıdır. Bu bölgedeki damarlar kişiden kişiye değişmesine rağmen damar ve göz hastalıklarından (ör:diabet) damarların etkilenmesi söz konusu olduğundan pek yaygınlaşmış bir yöntem değildir. Ayrıca örnek alma sırasında kişinin belirli bir noktaya bakması da bu işlemi zorlaştırmakta ve yöntemin az tercih edilmesine yol açmıştır.

Retina resmi çekildikten sonra elde edilen görüntüde eşikleme yapılarak damar görüntüsü elde edilir. Bu eşikleme işlemi için gerekli olan değer dinamik olarak (genellikle otsu algoritmasıyla) elde edilir. Daha iyi sonuç almak için eşikleme işlemi ardışıl olarak yapılır ve birden çok eşik değeri alınarak adım adım damar görüntüsü elde edilir. Ortaya çıkan son görüntü üzerinde özellik çıkarma işlemleri yapılır. Buradan sonraki işlemler parmak izindeki yöntemlere benzemektedir.

v.    Damar Tanııma

Damar tanıma retina tanıma ile aynı algoritma ile çalışır. Ancak bu yöntemde örnekler göz arkasında bulunan damarlar yerine el üzerinde ki damarlardır.  Bu yöntemde de el resmi çekildikten sonra damar yapısı ortaya çıkarılır ve tanıma işlemi retina yönteminde olduğu gibi yapılır. Elde bulundan damarlarda kişiye özgü olduğundan dolayı geçerliliği olan bir yöntemdir. Ayrıca retina yönteminin aksine elden örnek resim alması daha kolay olmaktadır. Buna rağmen fiziksel olarak değişime ve deformasyona açık olan bir bölge olan el üstünde yara vs gibi değişimler olduğu zaman tanıma işlemi olumsuz sonuç vermektedir.

vi.    El Yazısı Tanıma

El yazısı tanıma işlemi ilk bakışta kesin bir sonuç vermeyeceği düşüncesi uyandırmasına rağmen tanıma işlemini başarıyla gerçekleştirmektedir. Kişilerin el yazısında kullandıları harflerin biçimleri birbirinden farklılık göstermesinin yanı sıra bu harfleri oluşturma biçimleri de dikkate alınır ve yöntemin başarı oranı arttırılır.  Harfleri oluşturma sırası, noktaları ve çizgileri çizme sırası da dikkate alınabilecek bir takım özelliklerdendir.

Varolan bir yazıdan tanıma yapılırsa birçok özellik kaybolabilir ve taklidi muhtemel bir hale gelir. Bundan dolayı yazı yazılırken yapılan tespit hem daha doğru sonuçlar verir hemde güvenliği artırır.

Diğer tanıma yöntemlerinde örneğin alındığı cihazın (ör:kamera) sadece o iş için üretilmemiş olması yani başka amaçlarda da kullanılmasının yanı sıra el yazsını tanımak için kullanılan cihazlar bu amaca özel hizmet eden cihazlardır. Bundan dolayı maliyeti diğer yöntemlerde kullanılan cihazlara göre daha fazla olabilir.

Biyometrinin Geleceği

Yakın gelecekte biyometrik kimliklerimiz bizleri yanımızda taşıdığımız kimliklerden, şifrelerden, kartlardan tamamen kurtaracaktır. Günlük hayatta birçok işlemimizi bu yöntemlerle yapabileceğiz. Örneğin kredi kartı kullanılmaya başladıktan sonra insanlar nakit para taşımak yerine bu kartları taşımaya başladılar. Daha sonraları ise kartların çalınmasıyla gerek bankalar gerek kullanıcılar birçok sorunla karşılaştılar. Eğer biyometrik tanıma yöntemleri bu alanda kullanılırsa alışveriş sonrası kasada sadece parmağımızı yada bakışımızı (iris- retina vs ) kullanarak paramızı ödeyebileceğiz.

Bu tip sistemler insanların tamamen kayıt altına aldığı için bu tip verilerin saklandığı veritabanlarının güvenliği en üst düzeyde olmalıdır. Ayırca sahte kimlik veya kredi kartı gibi olayların da önüne geçilmesi için mükemmele yakın bir çözüm üretmektedir. Yeterince yaygın kullanıma eriştiği zaman suç oranında etkisi hissedilir şekilde düşüşler yaşanacağı kesindir.

Ancak bu patlama sayesinde bilinçli bilinçsiz binlerce insan facebook’a akın etti. Bir takım zeki insanlar (!) ise bu bilinçsiz insanlar ile adeta alay ediyor. Saçma sapan gruplar ve uygulamalar beni facebook’tan soğutuyor artık. Şu anda facebook kullanma amacım etkinlikleri takip etmekten ibaret ama o kadar çok grup ve uygulama daveti geliyor ki sinir olmamak elde değil.

Son günlerde patlama yapan 2-3 grup ise artık “yuh” dedirtecek seviyeye geldi. Facebook’ta sizi kim silmiş, sizi kim ziyaret etmiş, sizi kim hede hödö yapmış tarzı gruplar binlerce üyeye kavuşuyor. Ancak bu tip hede hödöleri görebilmek için tüm arkadaş listenizi de davet etmeniz lazımmış!

Efendim İNANMAYIN bu tip boş beleş numaralara. “Kim bakmış” gibi tonla zırva uygulamadan kaçmak kolaydı. Uygulamayı engelliyorum ve rahatıma bakıyordum. Ama malesef grup davetlerini engellemek gibi bir özellik yok. İşte bu yüzden sinir oluyorum. 200′den fazla uygulamayı (üçüncü parti bir uygulama kullanmıyorum) engellediğim için davetleri görmüyorum bile!

Bu yazıyı yazmamın tek amacı da olur ya o gruplara giren sürüden birazı buraya gelir de arkadaşlarına söyler acı gerçeği; o gördüğünüz grupların HEPSİ YALAN!

Bu yazıyı arkadaş listenize yollamanız size pek bir şey katmayacak. Ama şu sürüden ayrılıp spam yapan o insanlardan ayrılmanızın vakti geldiğini düşünüyorsanız beklemeyin, bu saçmalığı arkadaşlarınıza söyleyin.

İsmimizi kullanmanın yanı sıra daha önceleri hiç vermediğimiz bilgileri bile internette açık etmeye başladık. Örneğin facebook’a üye olup adımız soyadımız ile birlikte arkadaşlarımızı da açıkça belirttik. Mezun olduğumuz okul, işimiz ve şehrimiz gibi bilgileri hiç düşünmeden (düşündük mü?) bütün dünya ile paylaşmaya başladık. Twitter’a üye olup neredeyse saatlik rapor veren kişiler var. FriendFeed üyeliği ile birlikte yaptıklarımız bir yana gezip gördüklerimizi de paylaşmaya başladık. Last.fm profilimizi ve arşivimizi oluşturarak müzik zevkimizi de öğrenmek isteyen herkes ile paylaştık. Flickr’a üye olarak artık paylaşımı yazı seviyesinden çıkarıp görsel medya seviyesine taşıdık. Evimizin, ailemizin, arkadaşlarımızın ve daha nice anımızın fotoğraflarını da paylaştık. Linkedin ve cember (xing) gibi siteler ile birlikte özel hayatımız ile birlikte iş hayatımız hakkında da bir sürü bilgiyi paylaştık, paylaştık paylaştık….

Sosyalleşme adı altında tüm bu paylaşım işi içine girdik. Sosyalleşme tanımı Sulhi Dönmezer’in Sosyoloji kitabında şöyle açıklanmış; “kişinin grup normlarına uyması, bunları öğrenmesini sağlayan süreçtir”. Tabii ki başka insanlar ile yaptıklarımızı paylaşıp bir sosyalleşme sürecinden geçeceğiz ancak bu paylaşım aşamasında sınırlar net olarak çizilmediğinden işler değişik boyutlara taşınıyor.

Türk blog yazarları ‘blog’ kelimesine türkçe karşılık bulma arayışında girdilkerinde ‘günlük’ veya ‘günce’ gibi iki öneriye sıcak bakarak kullanmaya başladılar. Tabii blog kelimesini olduğu gibi benimseyenler hatta başka karşılıklar bulup kullananlar da oldu. Ancak bu iki kelime en popüler olanı. Peki daha önceden gizli kapaklı defterlerde tutulan bu günlükleri internete taşıyıp dünyanın gözleri önüne sermenin sınırı nedir ? Çok iyi hatırlıyorum ilk okulda hatıra defterlerimiz vardı [bana kalbin kadar temiz bu sayfayı ayırdığın için....] ve genelde bir çoğunun kapağında da kilit vardı. Neden ? Çünkü bunlar bizim özelimizdi. Günlükler de aynı şekildeydi.

Ancak günümüze geldiğimizde kilitler çoktan kırılmış durumda. Sosyallik adı altında kişisel bilgilerimizi gereğinden çok paylaşıyoruz. Bu blogu açıp yazı yazmaya başladığımda sınırları kafamda çok net bir şekilde belirleyemedim ancak bir günlük olarak kullanmayacağıma eminim. Tabii bu benim görüşüm. Bir çok blog yazarı günlük hayatta yaşadıklarını bloglarında paylaşıyorlar. Belki ilerleyen zamanla birlikte bir webcam ile canlı yayında hayatımızı paylaşacağız. Youtube gibi video siteleri sayesinde bunu kısmen de olsa yapmıyor değiliz :)

Yıllardan beri asosyal olduğumu düşünmeme rağmen [öyleyim] bir anda friendfeed,twitter,lastfm ve facebook gibi sitelere üye olduğumu fark ettiğimde aslında o kadar da asosyal olmadığımı düşünmeye başladım :) Tabii aslında sadece sanal dünyada sosyal oldum! Halen daha sabahtan akşama kadar bilgisayar başında zaman geçiriyor ve zorunlu olmadıkça monitörün karşısından ayrılmıyorum. Ama ne farkeder artık ben de sosyalim ve bilgilerimi düşünmeden paylaşıyorum. Umarım bu paylaşım ve sosyalliğin sonu kötü olmaz.

Hepinize iyi sosyalleşmeler.

Üçüncü sezon bittikten sonra devamı var mı yok mu tartışmaları sürerken açıkçası ben umudu kesmiştim. Ancak 2 gün önce MSN’de bir arkadaşımın kişisel iletisinde 4. sezonu izlediğine dair bir yazı görünce hemen araştırmalara başladım ve bulup izledim :)

Dizinin takipçsi olan bir çok kişi ilk sezondan sonrasının zoraki olarak uzatıldığı izlenimine sahip olmuştur sanırım. Sanırım yapımcılar da bu ön yargıyı yenmek istemişler ki artık daha değişik bir hedef koyarak konuyu derleyip toparlamışlar (şimdilik öyle görünüyor). Umarım 4. sezon da ilk sezon kadar heyencalı bir şekilde devam eder. Herkese iyi seyirler dilerim ;)

Bu arada yukarıda saydığım dizilerden Dexter ve House MD’nin de yeni bölümlerinin çıkmasını beklemeye devam ediyorum :)