GRİ SEVİYE EŞ-OLUŞUM MATRİSİ TABANLI AVUÇ İÇİ TANIMA SİSTEMİ

PALMPRINT RECOGNITION SYSTEM BASED ON GRAY LEVEL CO-

OCCURRENCE MATRIX

Abidin ÇALIŞKAN1, Burhan ERGEN

2

1. Bilgisayar Mühendisliği Bölümü

Batman Üniversitesi abidin.caliskan@batman.edu.tr

2. Bilgisayar Mühendisliği Bölümü

Fırat Üniversitesi BErgen@firat.edu.tr

ÖZETÇE

Bir biyometrik sistem, bireyleri sahip oldukları karakteristik

veya eşsiz bir özelliğe dayalı olarak otomatik tanımlamayı

sağlar. Avuç içi biyometri sistemi, sahip olduğu avantajlar

nedeniyle biyometrik tanıma sistemleri arasında önemli bir

yere sahiptir. Bu çalışmada, doku tipi imge tanılamada

başarılı sonuçlar veren Gri Seviye Eş-Oluşum Matrisi tabanlı

avuç içi tanıma sistemi önerilmiştir. İlk olarak, özellik

çıkarımında görüntü uyumunu kolaylaştırmak için koordinat

sistemi belirlenmiştir. Sonra, ilgilenilen bölge avuç içi

imgesinden alınmıştır. Geliştirilen sistem ile ilgilenilen

bölgenin özellikleri belirlenmiş ve tanıma için sınıflandırıcıya

verilmiştir.

Anahtar Kelimeler: Biyometrik sistem, Avuç içi tanıma, Gri

Seviye Eş-Oluşum Matrisi.

ABSTRACT

A biometric system provides automatic identification of

individuals based on a unique feature or characteristic of the

individuals. Palmprint biometric system has an important

place among biometric identification systems because of its

advantages. In this study, Gray Level Co-Occurence Matrix

based palmprint recognition system which provides successful

results for tissue type of image identifying has been proposed.

Firstly, image coordinate system has been defined to facilitate

image alignment for feature extraction. Then, region of

interest is cropped from the palmprint images. The properties

of the interested region have been determined using the

developed system and it has been given to the classifier for

recognition.

Keywords: Biometric system, Palmprint recognition, Gray

Level Co-occurrence Matrix.

1. GİRİŞ

Son yıllarda bilgisayarlı görme teknolojilerinin yaygınlaşması

ve güvenlik problemlerinin artması kişi tanımada biyometriyi

ön plana çıkarmıştır. Biyometri, kişisel kimlik doğrulaması

için avuç içi, parmak izi, iris, retina, yüz, imza, yürüme ve ses

gibi kişilerin fizyolojik ve davranışsal özelliklerini kullanır[1].

Biyometrik olmayan şifre, pin, kimlik kartları gibi birçok

yöntemden daha avantajlıdır. Bankacılık, e-ticaret ve güvenlik

gibi birçok alanda gerekli bir teknolojidir.

Biyometrik yaklaşımlar içinde avuç içi tanıma, diğer

modellere göre yeni bir biyometrik özelliktir [2]. Diğer

biyometrik sistemlere göre bazı avantajları vardır:

Düşük çözünürlüklü görüntülemede kullanılabilir,

Düşük maliyetli kameralar görüntüyü elde etmek için

yeterlidir,

Avuç içinin taklit edilmesi zordur,

Avuç içi özellikleri karakteristik ve kalıcıdır.

Bu nedenlerden dolayı avuç içi tanıma sistemleri son

zamanlarda araştırmacıların ilgisini çekmektedir.

Yapılmış çalışmalardan, el geometrisi tanıma sisteminde

başta avuç içi tanıma için çizgiye dayalı [3], özellik noktaları

[4], fourier spektrumu [5], eigen avuç özellikleri [6], sobel ve

morfolojik özellikler [7], doku enerjisi [8], dalgacık özellikleri

[9], gabor fazı [10], füzyon kodu [11] gibi çeşitli yöntemlere

dayanan birçok yaklaşım mevcuttur.

Yapılan bu çalışma, Hong Kong Politeknik Üniversitesine

(PolyU) ait veri tabanı kullanılarak gerçekleştirilmiştir [12].

Geliştirilmiş olan avuç içi tanıma sistemi Şekil 1’deki gibi

orijinal imgenin veri tabanından okunması, ana hatların

belirlenmesi, avuç içi kısmının seçilmesi, ilgilenilen bölgenin

(Region of Interest – ROI) alınması, özellik çıkartımı ve

karşılaştırma aşamalarından oluşmaktadır.

Avuç içi tanıma sisteminin blok diyagram aşamaları

aşağıda tanımlandığı gibidir:

Orijinal İmge: Avuç içi imgesi veri tabanından okunur.

Ana Hatların Belirlenmesi: Elin kenarları ve parmak

arası boşluklar belirlenir.

Avuç İçi Kısmının Seçilmesi: Koordinat sisteminde

128*128’lik ROI bölgesi belirlenir.

Avuç İçinin Çıkartılması: ROI alanı çıkartılır.

Özellik Çıkartımı: Her bir el imgesinden elde edilen

ROI alanı, Gri Seviye Eş- Oluşum Matrisi (GSEM)

metodu ile özellik vektörü oluşturulur.

Özelliklerin Karşılaştırılması: Çok Katmanlı Algılayıcı

(ÇKA) Yapay Sinir Ağı sınıflandırma tekniği

kullanılarak karşılaştırma işlemi yapılır.

Bu çalışmada kullanılan imgeler renkli “bmp” formatında

3 boyutlu olduğundan, görüntüler 2 boyutlu gri seviye imge

formatına dönüştürülerek kullanılmıştır. Daha sonra gri seviye

imgelere ilişkin GSEM matrisi elde edilerek öznitelik çıkartma

için istatistiksel yöntemlerden faydalanılmıştır.

Veri tabanından alınan imgelerin GSEM kullanılarak

öznitelikler belirlendikten sonra, bu öznitelikler GSEM Yapay

Sinir Ağı sınıflandırıcısına verilip başarım oranları elde

edilmiştir.

Sunulan bu çalışma da avuç içine dayalı tanıma sistemi

PolyU veri tabanı üzerinde GSEM ile denenmiştir. Performans

değerleri yapılan çalışmanın avuç içi tanıma sistemi için

başarılı sonuçlar elde ettiği görülmüştür.

978-1-4799-4874-1/14/$31.00 ©2014 IEEE

826

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

2. MATERYAL VE METOT

PolyU avuç içi veri tabanı, 386 farklı avuç imgesine ait bmp

formatlı 7752 gri seviye imgeden oluşmaktadır. Avuç

imgelerinin her birinden iki oturumda yaklaşık 20 görüntü

alınmıştır. Sırasıyla, ilk oturumda 10 örnek ikinci oturumda ise

diğer örnekler alınmıştır. İlk oturum ile ikinci oturum arasında

ortalama süreç 69 gündür. Bütün imgelerin boyutları

384*284’lük 75 dpi çözünürlüktedir [10].

Bu çalışmada önerilen çalışma yöntemimiz, imgelerden

ROI bölgesinin elde edilmesi, bu bölgeye ait GSEM’nin elde

edilip özniteliklerin belirlenmesi ve ÇKA ile sınıflandırma

adımlarından oluşmaktadır. Önerilen yöntem için blok

diyagramı Şekil 1’de sunulmuştur.

Şekil 1: Avuç içi tanıma sisteminin blok diyagramı

Öznitelik çıkartımı ve kodlama aşamasından önce veri

tabanı içerisindeki bütün imgelerden ilgilenilen bölge olarak

her bir avuç içinin merkez bölgesinin belirlenmesi gerekir

[13]. Koordinat sisteminde belirlenen ROI bölgesi çıkartılır.

Şekil 2’de orijinal bir el imgesinin ön işlem süreci

görülmektedir.

(a) (b)

(c) (d)

(e)

Şekil 2: Bir imgeden ROI alanının elde edilmesi, a) Orijinal

imge, b) İkili imge, c) Kenar çıkarma ve parmak arası

boşlukların belirlenmesi, d) İmge’nin orta kısmının

çıkarılması, e) Avuç imgesinden çıkartılan bölge

2.1. ROI Bölgesinin Elde Edilmesi

El imgelerinden ROI bölgesinin düzgün çıkartılabilmesi için

koordinat sisteminin doğru bir şekilde belirlenmesi gerekiyor.

Parmak arası boşluklar koordinat sistemi için referans noktası

olarak belirlenmiştir [13,14].

Ön işlem sürecindeki temel adımlar:

1.Adım: İmge Gauss alçak geçiren filtreden geçirilip eşik

değeri belirlendikten sonra ikili imge’ye dönüştürülür.

2.Adım: İkili imgeden kenar bilgileri elde edilir. Parmak

arası boşlukların dip noktaları Şekil 2c’deki gibi belirlenir.

(Fixj, Fiyj), (i=1, 2).

3.Adım: Belirlenen noktalar arasındaki tanjant hesaplanır.

(x1, y1) ve (x2, y2) sırasıyla (F1xj, F1yj) ve (F2xj, F2yj)’nin

herhangi iki noktalarıdır.

4.Adım: (x1, y1) ve (x2, y2) noktaları avuç içi koordinat

sisteminde y ekseni üzerinde sıralanıp avuç içi bölgesinin orta

kısmına doğru dik bir çizgi çizilir. Son olarak da koordinat

sisteminin başlangıç noktaları belirlenir.

5.Adım: Koordinat sisteminde boyutu belirlenmiş olan alt

imge çıkarılır. Alt imge özellik çıkartımı için kullanılan el

imgesinin orta kısmında yer alır.

2.2. Öznitelik Çıkartımı ve Kodlama

Avuç içi tanıma sisteminde düşük çözünürlükteki görüntülerin

iyi bir şekilde ayırt edilebilmesi, düşük maliyetli kameraların

görüntüyü elde etmede yeterli olması, avuç içinin taklit

edilmesinin zorluğu, avuç içinin karakteristik ve kalıcı bir

özellik olması büyük bir avantajdır.

Örüntü tanıma uygulamalarında, örnekler sınıflandırıcıya

doğrudan verilmezler. Örneğin, nesne tanıma problemlerinde

kameralar sayesinde elde edilen görüntüler sayısal koda

dönüştürülür. Kamera ile elde edilen görüntüler, bilgisayar

ortamında sayısal bir görüntü olup, orijinal görüntü olarak

adlandırılır. Bu görüntülerin sayısal karşılığı çok boyutlu

uzayda bir vektördür. Elde edilen orijinal görüntüler, çoğu

zaman çok boyutlu olduğundan, örneklerin bu şekilde

sınıflandırıcılara verilmesi sorun oluşturabilir. Artan boyut

sayısına paralel olarak, oluşturulacak eğitim setininde artan

sayıda örnekten oluşması gerekmektedir. İkinci problem ise,

çok boyutlu olan ham görüntülerde bilginin işlenmesi uzun

zaman alacaktır. Bundan dolayı, orijinal görüntülerden en işe

yarar özellikler çıkartılıp, daha küçük boyuttaki bir uzaya

indirgenmeleri gerekmektedir.

2.3. Gri Seviye Eş-Oluşum Matrisi

GSEM görüntünün iki farklı pikseli arasındaki gri seviye

farklılıklarını karşılaştıran özellik çıkartma yöntemidir. İlk

piksel referans olarak, ikinci piksel ise komşu piksel olarak

bilinir [15].

Bu çalışmada Haralick tarafından tanımlanan GSEM

özellikleri ve iki adet istatiksel yöntem kullanılmıştır. Açı ve

sıklık bilgisi taşıyan matrise eş-oluşum matrisi denir. Bu

matris P(i, j | d, θ) olup, alt pencere içindeki pikseller

arasındaki açısal ilişkinin ve mesafenin fonksiyonundan

oluşur. Pikseller arasındaki uzaklık d, açı ise θ iken P(i, j) gri

seviyesi i’den gri seviyesi j’ye geçiş olasılığını gösterir [15].

45°’lik aralıklarla açılar için normalize edilmemiş sıklık

değerleri her mesafe için dört tane matris elde edilir:

)d,135(P),d,90(P),d,45(P),d,0(P 0000

Şekil 3’de seçilen piksel etrafında 45°’lik açıların yönleri

gösterilmiştir. Her bir d ve θ değerleri için ayrı bir N×N kare

matrisi oluşturulur. Hesap yükünün fazla olmasından dolayı,

genellikle d=1 ve 2 piksel, θ = 0°, 45°, 90°, ve 135° açı

değerleri için matrisler oluşturulur. Görüntünün gri-ton adedi

azaltılarak hesap yükünü hafifletmek mümkündür. Ancak, bu

Orijinal

İmge

Ana Hatların

Belirlenmesi

Avuç İçi

Kısmının

Seçilmesi

Avuç İçinin

Çıkartılması

Özellik

Çıkartımı

Sınıflandırıcı

827

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

durumda bir miktar dokusal bilgi kaybının olacağınıda

unutmamak gerekir. Aşağıda, eş-oluş hesabıyla ilgili d=1 için

bir örnek verilmiştir.

Şekil 3: Seçilen piksel için açıların gösterimi

Eş-oluşum matrisi, doku görüntüsünde gri seviyelerin

uzaysal dağılımları hakkında bazı bilgilere sahiptir. Dokuya ait

bu bilgiler N*N boyutlu bir eş-oluşum matrisinin

tanımlanması için Haralick tarafından oluşturulmuştur.

M. Haralick tarafından görüntü hakkında bilgi içeren,

homojenlik, entropi, enerji, kontrast gibi 14 tane doku özelliği

tanımlanmıştır [16,17]. Bu özellikler görüntü alma, biyolojik

uygulamalar gibi birçok alanda uygulanmaktadır.

Bu çalışmada 5 adet haralick özelliği, 2 adet de istatiksel

özellik kullanılmıştır.

Kullanılan 5 adet Haralick özellikleri şöyle verilebilir:

Kontrast: Referans piksel ve onun komşusu arasındaki,

yoğunluk veya gri seviye varyasyonlarının ölçümüdür.

Denklem (1) de i ve j satır-sütun indislerini gösterir.

),(2

,jiPji

ji (1)

Korelasyon: Eş oluşum matrisi içindeki gri seviye

değerlerinin lineer bağımlılığını hesaplar. Bunun yanında,

referans pikselininde komşusuyla ne şekilde bağlantılı

olduğunu gösterir.

Denklem (2)’de görülen korelasyon denkleminde P ise

indislerin belirttiği GSEM elemanını, standart sapmayı,

ortalamayı gösterir.

yx

ji

yxjiPij

,

),()(

(2)

Enerji: Görüntünün homojenliğinin ölçüsüdür. Görüntü ne

kadar homojen olursa enerji değeri o kadar büyük olur.

ji

jiP,

2),( (3)

Homojenlik: Görüntünün farklı bölgelerindeki

benzerliğinin bir ölçüsüdür.

jiji

jiP

,1

),( (4)

Entropi: Görüntü sıkıştırma için gerekli olan görüntünün

bilgi miktarını gösterir.

ji

jiPjiP

,

),(log),( (5)

Yüksek entropili bir görüntü, bir pikselden onun

komşusuna doğru çok büyük bir kontrasta sahiptir ve düşük

entropili bir görüntü gibi sıkıştırılamaz. Çünkü düşük entropili

bir görüntünün kontrast değeride küçüktür.

Kullanılan 2 adet istatiksel özellikte şöyledir:

Ortalama: Matris elemanlarının ortalaması alınır.

N

i

M

j

ij jiIMN

m ),(1 (6)

Standart Sapma: Matris elemanlarının yayılımının

özetlenmesi için kullanılan bir ölçüdür. Varyans’ın

kareköküdür. Veri değerlerinin aritmetik ortalamadan

farklarının karelerinin toplamının veri sayısı -1’e

bölümünün kareköküdür. Yani verilerin ortalamadan

sapmalarının kareler ortalamasının karekökü olarak alınır.

ijij

M

i

N

j

ijij ImIMN

s 2)(1

(7)

2.4. Sınıflandırma Sisteminin Mimarisi

Sınıflandırmada tasarlanan modelin yapısı bir imge için Şekil

4’de GSEM tabanlı giriş parametreleri gösterilmiştir. Bu

parametreler sırasıyla kontrast, korelasyon, enerji, homojenlik,

entropi, ortalama ve standart sapma değerleridir. İmgeleri

sınıflandırmak için oluşturulan sistemin giriş parametreleri

imgelere ilişkin öz nitelik vektörü olup sistemin girişine

uygulanan parametreler, sınıflandırıcı türüne göre

normalizasyon aşamasından sonra [0,1] değer aralığına

dönüştürülmüştür. Son olarak, ÇKA sınıflandırıcı sistemi

eğitim ve test aşamasına tabi tutularak başarı oranları

görülmüştür.

Toplam 7752 imgeden, 5814 adet imge (%75’i) eğitim seti

için, kalan 1938 adet imge ise (%25’i) test seti olarak

kullanılmıştır. Eğitim ve test setlerinin imgeleri rastgele

seçilerek belirlenmiştir.

Şekil 4: GSEM tabanlı sınıflandırma sisteminin yapısı

3. UYGULAMA VE BAŞARIMLAR

GSEM tabanlı özellik vektörü kullanılarak, ÇKA

sınıflandırıcılarının farklı topolojileri için performans bilgileri

Tablo 1’de görüldüğü gibidir. ÇKA ağ yapısı 7-n-1 olup, en

iyi performansı sağlayacak yapının bulunabilmesi için n değeri

değişken olarak [10-80] değer aralığında alınmıştır.

ÇKA sınıflandırıcı sistemine göre, Tablo 1’de görüldüğü

gibi öznitelik parametreleri kullanılarak, belirtilen

sınıflandırıcıya ilişkin performans değerlerinin ortalaması

hesaplanmıştır.

İmge

(3 Boyut)

İmge

(2 Boyut)

Ön İşlem

GLCM

Normalizasyon

Eğitim & Test

Süreci

(ÇKA)

828

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

Ağırlıklar (0,1) aralığında rastgele belirlenmiş, öğrenme

faktörü 0.8, momentum katsayısı 0.1 ve tüm katmanlarda

aktivasyon fonksiyonu olarak logsig kullanılmıştır.

Tablo 1: GSEM tabanlı farklı ÇKA ağ

sınıflandırıcısının performans değerleri

ÇKA

Yapısı

Performans

(%)

7-10-1 87,5 7-20-1 88 7-30-1 89,25

7-40-1 92,5 7-50-1 91,25 7-60-1 90,75 7-70-1 91,5 7-80-1 90,25

ÇKA performans değerlerine bakıldığında, Tablo 1’de

görüldüğü gibi başarı değerleri %87,5-%92,5 aralığında

gözlemlenmiştir.

Sınıflandırma aşamasından sonra, en yüksek performansın

7-40-1 ağ topolojisi tarafından %92,5 olarak sağlandığı

gözlemlenmiştir.

Yapılan çalışma literatürdeki diğer çalışmalar ile

karşılaştırıldığında Zhang D. [10] ve Lu J. [18] çalışmalarında

ortalama başarı oranlarını %97, Tao J. [19] en yüksek başarı

oranını %98,4, Hu D. [20] %86 ve You J. [21] ortalama başarı

oranını %91 olarak elde etmişlerdir.

Sonuç olarak yapılan çalışma, literatürdeki diğer

çalışmalar ile karşılaştırıldığında sonuçların makul düzeyde

olduğu görülmektedir.

4. SONUÇLAR

Bu çalışmada, avuç içi imgeleri kullanılarak GSEM özellik

çıkartma yöntemi kullanılarak avuç içi imgelerinin ÇKA

Yapay Sinir Ağı sınıflandırma tekniği ile sınıflandırılması

amaçlanmıştır.

Sistem analizinin ilk aşamasında, GSEM öznitelik

parametreleri kullanılarak sistem eğitilmiş ve sınıflandırıcı

sistemin performans değerleri görülmüştür.

Yapılan çalışma ÇKA Yapay Sinir Ağı için farklı ağ

topolojileri kullanılarak verilerin sınıflandırılması

amaçlanmıştır. Sonuçlar her ne kadar kabul edilebilir sınırlar

içerisinde olsa da, daha sonra yapılacak çalışmalarda,

öznitelik vektörü belirlemek için kullanılan istatistiksel

yöntemler ve sınıflandırıcı değiştirilerek yöntemin başarısı

artırılmaya çalışılacaktır.

5. KAYNAKÇA

[1] Jain, A. K., Bolle R.M., and Pankanti S., Biometrics:

Personal Identification in Networked Society, Norwell,

MA: Kluwer, 1999.

[2] Brunelli, R., Falavigna, D., 1995. Person identification

using multiple cues, IEEE Trans. Pattern Anal. Mach.

Intell. 955–966.

[3] Zhang D., and Shu W., “Two Novel Characteristics in

Palmprint Verification: Datum Point Invariance and Line

Feature Matching,” Pattern Recognition, vol. 32, no. 4,

pp. 691-702, 1999.

[4] Duta N., Jain A.K., and Mardia K.V., “Matching of

Palmprint”, Pattern Recognition Letters, vol. 23, no. 4,

pp. 477-485, 2001.

[5] Li W., Zhang D., and Xu Z., “Palmprint Identification by

Fourier Transform,” International Journal of PRAI, vol.

16, no. 4, pp. 417-432, 2002.

[6] Lu G., Zhang D., and Wang K., "Palmprint Recognition

Using Eigenpalms Features", Pattern Recognition Letters,

vol. 24, issues 9-10, pp. 1463-1467, 2003.

[7] Han C.C., Cheng H.L., Fan K.C., and Lin C.L.,

“Personal Authentication Using Palmprint Features,”

Pattern Recognition, vol. 36, no 2, pp. 371-381, 2003.

[8] You J., Kong W.K., Zhang D., and Cheung K., “On

Hierarchical Palmprint Coding with Multi-features for

Personal Identification in Large Databases”, IEEE

Transactions on Circuit Systems for Video Technology,

vol. 14, no. 2, pp. 234-243, 2004.

[9] Zhang L., and Zhang D., "Characterization of Palmprints

by Wavelet Signatures via Directional Context

Modeling", IEEE Trans. on SMC-B, Vol. 34, No. 3, pp.

1335-1347, June 2004.

[10] Zhang D., Kong W., You J., and Wong M., “On-line

Palmprint Identification”, IEEE Trans. on PAMI, vol. 25,

no. 9, pp. 1041-1050, 2003.

[11] Kong W.K., and Zhang D., “Feature-Level Fusion for

Effective Palmprint Authentication”, Proc. of the 1st.

ICBA, LNCS 3072, pp.761-767, 2004.

[12] PolyU Palmprint Database,

http://www4.comp.polyu.edu.hk/~biometrics/index.htm.

[13] Sun Z., Tan T., Wang Y., Li Z. S., "Ordinal Palmprint

Representation for Personal Identification", Proceedings

of IEEE International Conference on Computer Vision

and Pattern Recognition, Vol.1, 2005, pp.279-284.,

Orlando , USA .

[14] Kong K. W., Zhang D., Li W., “Palmprint feature

extraction using 2-D Gabor filters”, Pattern Recognition

36 (2003) 2339–2347.

[15] Horng, M. H., Huang, X. J., and Zhuang, J. H., Texture

Feature Coding Method for Texture Analysis and It's

Application, Journal of Optical Engineering 42 (2003),

no. 1, 228-238.

[16] Roumi, M., 2009, Implementing Texture Feature

Extraction Algorithms on FPGA, The Netherlands, MSc

Thesis, Faculty of Electrical Engineering, Mathematics

and Computer Science.

[17] Haralick, R. M., Shanmugam, K. S., and Dinstein, I.,

“Textural featuresfor image classification,” IEEE Trans.

Syst., Man, Cybern., vol. SMC-3,pp. 610–621, 1973.

[18] Lu J., Zhang E., Kang X., Xue Y., Chen Y., Palmprint

Recognition Using Wavelet Decomposition and 2D

Principal Component Analysis, IEEE, pp. 2133-2136,

2006.

[19] Tao J., Jiang W., Gao Z., Chen S., Wang C., Palmprint

Recognition Based on 2-Dimensional PCA, IEEE

ICIICI’06, vol. 1, pp. 326-330, 2006.

[20] Hu D., Feng G., Zhou Z., Two-Dimensional Locality

Preserving Projections with Its Application to Palmprint

Recognition , Journal of the Pattern Recognition Soc.,

vol.40, pp. 339-342, 2007.

[21] You J., Li W., Zhang D., Hierarchical palmprint

identification via multiple feature extraction, Pattern

Recognition, vol. 35-4 pp. 847-859, 2002.

829

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)