Haar Ozniteliklerinin Sesim Eniyilemesini Kullanarak Nesne Sezimi

Object Detection Using Haar Feature Selection Optimization

Cem DEMIRKIR', I UR~~~~~2
Bulent SANKUR
'Elektrik ve Elektronik Muihendisligi B6lumui, Hava Harp Okulu, Yeqi1yurt/ISTANBUL
2Elektrik ve Elektronik Muihendisligi B6lumui, Bogazigi Universitesi, BEBEK/ISTANBUL
c.demirkir@hho.edu.tr, sankur@boun.edu.tr
feature selection part of the algorithm a GA algorithm which
Ozetce the Haar features are encoded using their parameters in a
Gulrbulz ve gulvenilir olarak imgeler uzerinden nesne sezimi single chromosome and optimized using genetic operators.
yapabilme pek ,ok uygulamada ,cozulmesi gereken onemli During optimization the features which show similar
bir problemdir. Bu qali*mada odaklanilan nokta boyle bir characteristics in the paramater space are selected using a
uygulamadaki performansin iyile,tirilmesi amaciyla cluster based partioning algorithm and thereby redundancy in
kullanilacak Haar oznitelik tabanli siniflandiricilarin the features is eliminated and a more compact Haar feature
tasarlanmasidir. Bu temel olarak orulntul siniflandirici set can be obtained. Performances of the resulting
sistemlerinin onemli bir sorunu olan oznitelik se,imi chromosomes are measured using a fitnes measure which is
problemine kar*ilik gelmektedir. Sistematik ve genel bir based on the separation of the two classes samples over a
evrimsel tabanli bir algoritma ile siniflandirici performansini validation set. The resulting object detection structure is
optimize edecek ,ekilde Haar dalgaciklari benzeri tested for near frontal face images in the cluttered
ozniteliklerinin se,ilerek tasarlanan siniflandiricilar ile nesne background images.
sezimi yapilmaktadir. Ama, olarak imgelerde nesne
orulntullerine daha fazla kuvvetli yanit verirken nesne 1. Giris
olmayan orulntullere daha zayif yanitlar veren Haar oznitelik
kllmelerinin olu,turularak siniflandiricinin ayiricilik gulculnuln
Gri-tonlu imgelerde y.lz sezimi iqin klasik nesne sezimi
arttirilmasidir. Bu yakla,sim siniflandirici
sinflandirici tasarimini yal2 lr kama. ye y.ke healm glcisee
tasarimini oiznitelik
arttirilmasidir. Bu yakla.im 6znitek
siniflandiricilari gerektirmektedir. Sezici, imgenin her
se,imi ile Genetik Algoritma (GA) kullanarak noktasinda ye olasi tllm 61leklerde
uygulandigindan qok
birle.tirmektedir. Oznitelik se.imi Haar
parametrelerinin bir kromozom ile kodlanarak genetik
.znitelikleri
fazla hesaplamaya ihtiya, duyulmaktadir. Oysa taranan
s k .o.und
..ra6e vaiail
operat*irler
vasitasiyla opimz
optimize edldg
ed.ldii bi bir.
GA
GA
sahnedeki konumlarin ,cogu nesne imgesi i,cermediginden her
. .yerde nesne bulma olasiligi ,ok du,suktur. Dolayisiyla nesne
kullanmaktadir. Ozniteliklerin optimize edilmesi esnasinda i'ree img bloklarinin qou ai iilniiia
parametre uzayinda benzer karakteristiklere sahip
gzniteliklerin uzaindtopaklama benzylaberlkarakerikstikleresahipikullanilarak
parametre elenebilir. eleme stratejisi ile Viola
topaklama yoluyla belirlenerek se,cilmesik i [1] d0*0k nesne kaqirmaBu(yanli* ret) oranina sahip, veartJones
arda
g kle trimekdaha ko sayd iznite likasyonlari eleyicilerden oludan bir katli siniflandirici geliktirmielerdir.
se,ilmektedir. Sonuh fkltreler
olarak ortaya iz kan Kolay hesaplanabilen Haar izniteliklerine dayali bu basit
dogru kabul oranlibirleserek
sonuclardiisk
uygulamaya yoneluk olarak ozntelkleretaikal sitr siniflandiricilari yanli* ret oranli ye yllksek
uygulamiliklayaiinetkoolamdegerariznine ayr iti asonsal sanif
r
ulretmektedirler. Gereken toplam
oyulaluklarinrin
uyumluluk kriteri ile degerlern
tola ari tir. dayanan
degerlendirilmektedir. Ortaya ,cikan Haar oznitelik sayisi hedeflenen yanli* kabul oranina bagli
olarak degi,smektedir.
olra deimktdr
nesne sezici onden goruinumlu! yuiz oruintulerinin
nesnesezieinde . ir. Bu sezici yapisinin qe*itlemeleri [2], [3], ve [4]'de
sunulmu,tur. Ozniteliklere ili*kin
istatistiksel bilgiler bir
Abstract tabloda tutuldugundan bunlara tablo ba,vurulu (LUT: Look-
up Table) algoritmalari da denmektedir. Ornegin Wu [4],
Object detection in still images is one of the common LUT tabanli Real AdaBoost (RAB) algoritmasini kullanarak
problems which is needed to be solved in a robust and doinme ye pozdan bagimsiz olarak yuzleri sezebilen bir ,cok-
reliable manner. Main focus on this work is the designing of pozlu yvz sezicisi inermi,stir.
classifiers based on Haar like simple features to obtain a
o
aluymamiz Viola-Jones yaklacinmmnda onerilen ye
good and efficient detection performance. This problem toplam imge yoluyla hazln bir yekilde hesaplanabilen Haar
corresponds to the so called feature selection problem which benzeri oznitelikleri kullanarak bir nesne siniflandiricisinin
is common in the pattern classifier systems. Classifiers used tasarlanmasidir. Daha onceki qali*malarda, ([1], [2], [3], ve
to detect objects are based on the simple Haar like features [4]), olu,sturuculan s-niflandiricilarda kullanIlan Haar
and these features are selected using systematic and general oiznitelikleri Adaptif Boosting (AdaBoost) algoritmasi
evolutionary based algorithm. The objective is to build a set tulrevleri kullanarak se,cilmi,stir. Bu ,cali,smada ise so$z konusu
of classifiers which respond stronger to the features present oizniteliklerin GA yardimiyla siniflandiricinin her iki sinifi
in object patterns than to non-object patterns, thereby da en fazla ayiracak ,sekilde se,cilmesi saglanmaktadir. Bu
improving the class discrimination between these two yakla,simda egitim kulmesinin nesne ye nesne olmayan
classes. This approach combines the classifier design with siniflarina ait tulm elemanlari uzerinden Haar oizniteliklerinin
feature selection by using a Genetic Algorithm (GA). In the tamamina ait histogram degerleri ,cikarilarak her bir

1-4244-0239-5/06/$20.OO ©2006 IEEE

Authorized licensed use limited to: University of Washington Libraries. Downloaded on January 20,2023 at 04:36:06 UTC from IEEE Xplore. Restrictions apply.
 ozniteligin degerlerine ait sonsal sinif olasiliklari Bayes kulmesi uzerinden nesne ve nesne olmayan sinif ornekleri
kurali yardimiyla hesaplanmaktadir. GA kendisine belirtilen i,in hesaplanan oznitelik degerlerine ait deger aralgi
sayidaki ozniteligin her iki sinif i,in de sonsal sinif
olasiliklarini birle,tirerek nesne sinifina ait orulntullere k
bin 1) /n, / I
1, ... (1)
kuvvetli, nesne olmayan sinifa olmayan ait orulntullere ise ile sonlu sayida n araliga b6lOnerek nesne ve nesne olmayan
zayif cevap veren bir siniflandirici fonksiyonu ortaya siniflar i,in her bir oznitelige ait olabilirlik degerleri
,ikaracak ,ekilde oznitelik dizisi kromozomlara evrimsel fonksiyonlari sonlu sayidaki bu aralik degerleri i,in
degisim operatorleri uygulamaktadir. Boylece siniflandirici, h1 (k) = P (ff (x) e biny I)
iki sinif arasinda en iyi ayrilmayi ge,erleme kulmesi J \ a k' (2)
uzerinde saglayan oznitelik kombinasyonunu 1 11, k 1,..., n
belirlenmektedir. olarak ifade edilir. Verilen bir egitim imgesi i,in her bir
Nesne sezici nesne sinifina ait olmayan 6irnek1eri
a*amali olarak a*amali olarak GA ile belirlenmi*
6iznitelge
sa ait nesnesel olma skoru ureten fonksiyon e*it
siniflandirici katlari vasitasiyla elemektedir. Oznitelik onse asiyia
histogramlari siniflandirici tasariminda bir sifir karari veren vashtashyla
fonksiyonlar yerine "nesnesellik" skoru ureten fonksiyonlar
tanimlamasina olanak saglamaktadir. Boylelikle her bir Haar (k
h-
_h
- h k,
(k)_ h
h
(k)
k (
ozniteligi ic,in tablo tabanli guivenilirlik degerlerinin ()+h (k(3
kullanilmasi ikili ,ciki, degerleri uireten basit k =1~
siniflandiricilara dayanan Discrete AdaBoost (DAB) [1] olarak hesaplanabilir.
yakla*iminda goz ardi edilen bilgiyi kullanmaktadir.
Bolum 2'de Haar oznitelikleri ve bunlara ait sonsal
olabilirlik degerlerinin ve her bir oznitelik degerleri i,in
nesnesellik skoru ureten fonksiyonlarin egitim kulmesi
yardimiyla hesaplamasi anlatilmaktadir. Bolum 3'de 1 Kea Iidflerdkdr hItellkler
Evrimsel Haar Oznitelik Se,imi Optimizasyonuna ili,kin
yakla*im anlatilmaktadir. Bolum 4'de Haar Ozniteliklerinin
cikarilmasi ve siniflandirici tasarimi, Boilum 5'de onerilen 7**E7 _
yontemle olu,turulan Haar Oznitelik tabanli siniflandirici ile
yulz sezimi anlatilmakta ve deneysel sonu,clar 2- ;1w1irloyeldikdbrrm
ig zitelikler
tarti*islmaktadir.
2. Basit Haar Oznitelikleri
Bu qali*mada anlatilan nesne sezimi algoritmasi orulntulleri
basit oznitelikleri degerlerini kullanarak siniflandirmaktadir. 3. Nbelirleyidikdrtzlikr 4.Qapraz izgi belideyii diikd6gen znieik
Piksel degerleri yerine oznitelik degerlerinin kullanilmasinin
temel nedeni eldeki sinirli egitim kulmesi ile herhangi bir 5ekil 1, Haar Oznitelik tipleri [7].
nesne sinifini modelleyebilmesi ve piksel tabanli
siniflandirici algoritmalarindan daha hizli qali*abilmeleridir. Basit bir Haar izniteligi kullanarak nesne ye nesne
Kullanilan basit oznitelikler Haar dalgaciklari olmayan iki sinifa bir karar fonksiyonu sonsal sinif
tabanlarina benzemektedir ve nesne sezimi amaciyla
bildigimiz kadariyla ilk defa Papageorgiou [6] tarafindan
olas=likiari
yardimyla
fm (x) P ( y 1 x -P ( y -1 x) (4)
kullanilmi*dir. Bu tulr Haar oznitelikleri toplam imge veya
yoluyla hizli bir ,ekilde hesaplanabilirler [1]. Haar oznitelik 1 P(y =1 x) (5)
tipleri daha sonra geni*letilerek kullanilmi* ve daha once f () 2log p -1 x
yatay ve dikey ozniteliklere sahip iken 45 derece egimli
oznitelikler ve bunlara ili,kin hizli hesaplama algoritmalari ile yapilabilir. E,itlik (4) ile verilen karar fonksiyonu
onerilmi,tir [7]. Herhangi bir karesel pencere i,erisinde olasi E,itlik (5)'e gore nulmerik a,idan daha kararli oldugundan
turm olcek, pozisyon ve tip i,in olu,turulabilecek soz konusu daha gulrbulz bir siniflandirici fonksiyonu ortaya ,ikmasini
Haar oznitelik sayisi olduk,a yulksekdir. Ornegin 20x20'lik saglayacaktir. Bu nedenle bu qali*mada karar fonksiyonu
bir pencere i,erisinde $ekil 1'de gosterilen ozniteliklerden 14 olarak tercih edilmi,tir. Karar fonksiyonu uygulandigi her
tipi kullanarak tanimlayabilecegimiz oznitelik sayisi bir imge yamasi i,in [-1, +1] degerleri arasinda nesnellik
yakla*ik 85000 civarindadir. skorlari uretecektir. Pozitif degerler pozitif hedef sinifi i,aret
Elimizdeki bir egitim kulmesi ederken negatif degerler hedef nesne sinifi di*inda kalan turm
S - ,Yy),.T.,(Xm, ),ve
YmT sinif etiketleri siniflari i*aret etmektedir. [5]. Haar ozniteliklerine ili*kin
nesne ve nesne olmrayan sinifa iliskin sonsal olasilik
t1} ile verilsin. Soiz konusu egitim kulmesi i,cin
{zi fonksiyonlari beki1 2'de sonsal sinif olasilik fonksiyonu
j nci Haar oizniteligi
i,cin hesaplanabilecek oiznitelik degerleri, beki1
3'de bu degerler kullanilarak elde edilen
karar fonksiyonu degerleri sunulmu,stur.
degerleri fj (:xi) ile goisterilsin. Bu dururnda turn egiti

Authorized licensed use limited to: University of Washington Libraries. Downloaded on January 20,2023 at 04:36:06 UTC from IEEE Xplore. Restrictions apply.
 3. GA Tabanli Haar Oznitelik SeVimi
GA'lar biyolojik qogalma mekanizmalarindan esinlenilen f( x) =P( y = x) -P( y =-1 x)
optimizasyon prosedulrleridir. GA iteratif olarak her biri aday P(x y= 1)P(y =1) -P(x y= -1)P(y =-1)
bir yozllm olan ve uygun sekilde kodlanmi* yapisal P(x y= 1) P(y= 1) +P(x y= -1)P(y = -1) ()
popullasyonlar uzerinde qali*arak en iyi ,czumu bulmaya P(x -1) -P(x y -1)
qali*irlar. Rastgele olu,turulan bu tulr yapisal popullasyonlar = 1) +P( Y -1)
GA'nin ,czulmul aramaya ba*ladiklari ilk ba*langiP
popullasyonunu olu,tururlar. Bu arama esnasinda kullanilan
ui, temel genetik operator vardir. Bunlar se,im (selection),
,aprazlama (croosover), mutasyon (mutation). P ( x y +1) olabilirlik degerleri farkli nesne hipotezleri
Poiseod ClassPtobtiUesof 7voClaClamesI EaGe Tyail IsE Feure i,in Haar ozniteligi degerleri x 'leri kullanarak hesaplanan
_0i _ i = agirlilki histogram degerlerine e*ittir.
:g2..lzrk k/tlS { 4. Haar Parametrelerinin Kodlanmasi
9LOl l JlgliAi Haar ozniteligi se,imi parametre kulmesindeki
0={x, y, dx, dy, t} 5 parametre iqin uygun degerlerin
0L02 belirlenmesini saglayan optimizasyon probleminin
-- L belirlenmesine
tV kar*ilik gelmektedir. Birden fazla Haar
.-J V I ozniteligi
I bir siniflandirici fonksiyonu
-C0,l -0.3 -0,2 -0. I 0 0i1 0,2 0,3 0, 4 olu,sturulmak istendiginden Genetik Algoritmanin yapmasini
bekledigimiz en uygun parametre setlerinin
5ekil 2: Tipik bir Haar ozniteliginin iki nesne slmlfli
J
{n } i 1,... , N belirlenmesidir. N siniflandiriciyi
sonsal olabilirlik degerlerinin g6sterilmesi. a
olu,turmak i,in kullanacagimiz Haar ozniteliklerinin sayisini
Update Values of a Typical Haar Feature gostermektedir.
Her bir Haar oznitelik parametre setindeki
X, y
0.6W0 0 0 parametreleri ozniteligin uzaysal konumuna, dx, dy
0.4
V\ I /\ Iparametreleri ol1cegine, Bazi
t parametresi ise ozniteligin tipine
& 0.2 1 kar*ilik
k / gelmektedir. Haar oznitelikleri ,ok kiiuik
> 0-| t l olmalari veya imge yamasinin boyutlarinin di*ina ta*masi vb.
nedenlerden dolayi bazi parametre setlerine gelen Haar
-0.4 | l oznitelikleri aday kulmesi i,erisinde bulunmamaktadir.
-0.6 Dolayisiyla taranmasi gereken ,czulm uzayi sa,ik ve tam
-0.8
degerli oldugundan boyle bir arama uzayinda en uygun
-0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 ,czume kar*ilik gelen Haar parametre degerlerinin
Feature Value, x bulunmasi gerekmektedir. Arama uzayindaki bu bo*luklarin
5ekil 3: Tipik bir basit Haar ozniteligi i in karar doldurulmasi parametrelerin uygun kodlanabilmesi amaciyla
fonksiyonu gerektiginden Haar ozniteliklerini olu,turan havuz, bo,lugun
fm (x) =P ( y = 1 x) -P ( y =-1 x) degerleri meydana geldigi yerde son
olu,turulmu,tur.
ozniteligi tekrarlayarak
Binary kodlama mantigi kullanilarak Haar ozniteliklerinin
Temelde bir genetik algoritma iteratif olarak uyumluluk her biri M bitle temsil edilmektedir. N Haar
fonksiyonunu degerlendirme, se,me ve popullasyondaki ozniteliginden olu,an bir siniflandirici tasarlanmasi i,in
yapilari birle,tirme i,lemlerini bir sonlandirma kriterine MN bit uzunlugunda bir kromozoma ihtiya,
ula,ana kadar devam ettirirler. Her bir kodlama yapisinin duyulmaktadir. Her bir Haar ozniteligi parametresi i,in bu
tasarlanmasi ve bir uyumluluk fonksiyonuna gore durumda n M / 5 bite ihtiya, duyulmaktadir.
degerlendirilmesi problem bagimlidir ve Genetik
Algoritmanin en iyi ,czume ula*masinm etkileyen en onemli
faktorlerden biridir. )znitelik #1 Oznitelik #2 2znitelik #3.
Her bir Haar ozniteligi olabilirlik degerleri P ( x y = +1) 1
histogramlar vasitasiyla hesaplanarak, her bir oznitelige ait
sonsal sinif olasiliklari P(y =+A1 x) Bayess kurali ile n bit n bit n bit n bit n bit
hesaplanabilir.
t
fm (X) =P(S = 1 |)X)P( =-1 |X)
| x Y dxX dy
5ekil 4: Haar Ozniteliklerinin kodlanmasi

Authorized licensed use limited to: University of Washington Libraries. Downloaded on January 20,2023 at 04:36:06 UTC from IEEE Xplore. Restrictions apply.
 Haar bir bireyin uygunlugu olu,turan Haar ozniteliklerine ait par,aciklari kullanilmi*tir. Yulz imgeleri +150 duizlem i,i,
karar fonksiyonlarinin toplanmasindan olu,an
Fx N .ye
f30k duzlem dr donndunrme aralenda insan yuszleri
F ( x) = Z(x) fonksiyonu degerinin
esn n evC nesne i,eren imgelerinden olu*maktadir. GA gulncelleme
olmayan egitim kulmesi ornekleri uzerinden her bir sinif i,in fonksiyonlari, fm (x), 64 noktada orneklenecek ,ekilde
olu,an degerlerinin birbirlerinden ayrikligini ol,iclmesi
yoluyla yapilmaktadir. Dolayisiyla her iki sinifi birbirinden hesaplanmi,lar ve hedef Yanh, Kabul Orani (YKO) 10-6
en fazla ,ekilde ayiran Haar ozniteligi seti arana oznitelikler ,ekilde se,ilmi,tir. fm (x) degerleri her bir Haar ozniteligi
ve siniflandiriciya kar*ilik gelecektir. Iki sinif arasindaki i,in birer LUT'da tutulmaktadir. Sezim a*amasinda her bir
ayriklik oznitelige ait gulvenilirlik degerleri ilgili LUT'dan alinarak
d d 1-tp -
n17 siniflandiriciya beslenmektedir. Ayni egitim kulmesi
7
(7) kullanilarak LUT'a dayali GA ve ikili qiki* ureten DAB
p n algoritmasi siniflandirici katlari egitiminde kullanilmi*lardir.
ile oli,lmektedir. Burada Jp , 0P ve /in 0 n deger ,iftleri Ayni hedef sezim orani ve YKO i,in, GA tarafindan
kullanilan Haar oznitelik sayisi, DAB algoritmasinda
sirasiyla nesne ve nesne orneklere ait F ( x)
olmayan kullanilanlarin o20'si civarindadir. Iki yntemin
degerlerinin ortalama ve Standard sapma degerlerini olu,turdugu yulz sezicileri 103 imgede 503 yulz i,eren CMU
gostermektedir. $ekil 5 bu ,ekilde se,ilen siniflandiricilarin test kulmesi uzerinde test edilmi,lerdir. Iki yontemin sezim
bootstraping yontemiyle sirali olarak birbirine eklenmesini performanslarina ili,kin degerler
gostermektedir. $ekil 6 oznitelik sayisini artmasiyla iki sinifa
ait F (x) degerlerindeki degisimi gostermektedir. Yontem YKO ve SY Toplam Oznitelik
Sayisi
Image Image GA 15 ve % 85.2 531
DAB 15 ve % 80.1 2652
Tablo 1: LUT tabanli GAB ve DAB yontemlerinin
F,(image) ... kiyaslanmasi., Yanlq
Sayisi, SY: Sezim Yiizdesi.

*1 . XX Tablo I'den gorulldulgul uzere LUT tabanli GA performansi

Fi(Image) F2 (Image) DAB'dan daha iyi ,ikmakla birlikte DAB'a gore daha az
I,
(image)
o, (image)
6znitelik kullanmaktadir.
First Stage Second Stage

Sekil 5: Sirall olarak Haar ozniteligi ile olusturulan 6. Tartilma

sinfliandirici katlarinin birbirine eklenmesi. LUT tabanli GA daha az oznitelikle iyi bir sezim
performansi saglamaktadir. Elde edilen siniflandirici yulze
ait oznitelik bolgelerinin boiltlemek yapmak amaciyla
kullanilabilir. Bu amacla her bir blitlelnecek g65z, burun ve
agiz iein egitilecek olan GA tabanli siniflandiricilar yTSz
sezici ile belirlenen b6Mge iqerisinde sezme i*lemi yaparak
_ostelol
CasHoabesolheveHaaFetueVueCasflOtpuVaes solasi bolutleri belirlenebilir. Bu bolgeler yulz botlutlerinin
S olasi ,
( ,0002glllgl
poz dagiihmi ile kar*ila*tirilarak aday bolgelerin en
M 'S 'tA
uygun konu*1animi ortaya cikarilabilir.
/ _S,,

7. KaynakVa
[1] P. Viola, M. Jones, Rapid Object Detection using a Boosted
Cascade of Simple Features, International Conference on
f71~ ~~~0 Computer Vision and Pattern Recognition, 2001.
2002, Copenhagen, Denmark.Multi
04 3 2 F'ulVadx0 o10[ 20030 400900900 0 800ECCV [2] Stan Z. Li, Statistical Learning of View Face Detection,

,ekil 6, Ilk siutun GA tarafindan se,ilen Haar oznitelikleri, [3] Viola, P., Jones, M., Fast Multi View Face Detection, Technical
ikinci sutun ilgili oznitelik i,in sonsal sinif olasiliklarini, Report, TR2003-96, July 2003, Mitsubishi Electric Research
son siitun ise Haar ozniteligine ait toplamsal karar Laboratories.
[4] Wu, B., Ai, H., Huang, C., Fast Rotation Invariant Multi-View
fonksiyonu F ( x) degerlerini goistermektedir. Face Detection Based on Real Adaboost, AFG'04, May 17-19,
2004, Seoul, Korea.
[5] Friedman, J., Hastie, T., Tibshirani, R., Additive Logistic
Dee*e ou
5 Dee eSnvregression: a Statitical View of Boosting,
Standford University, August 17, 1998.
Technical Report,
Bu gal1ismada GA tabanli yak1a,sim oinden goirunum1lu [6] C. Papageorgiou, M. Oren, and T. Poggio. A general
yulzlerin sezimi amaciyla kullanilacak ,sekilde egitilmi,stir. framework for object detection, International Conference on
Egitim kulmesi igin 24x24 boyutlarinda yak1a,sik 10000 adet Computer Vision, Jochen
17] Featuresfor
Rainer Lienhart, 1998. Maydt, An Extended Set of Haar-like
hiza1anmi,s yulz imgesi ye 6000 adet yulz olmayan imge Rapid Object Detection, ICIP 2002.

Authorized licensed use limited to: University of Washington Libraries. Downloaded on January 20,2023 at 04:36:06 UTC from IEEE Xplore. Restrictions apply.