RECONOCIMIENTO DE ARMAS Y MUNICIONES CON REDES NEURONALES.
Angélica González Arrieta*,Luis Alonso Romero* ,Angel L. Sànchez Lázaro* ,José Mª Del Amo**
*Departamento de Informática y Automática, Facultad de Ciencias. Universidad de Salamanca.
Plaza de la Merced, s/n. (37008) Salamanca . Tfno: 923294450 Ext 1302
e-mail: [email protected]
**Escuela General de Policía. Avila(Spain)
RESUMEN
Se presenta un sistema para el reconocimiento automático del arma y la munición usados en un disparo. El sistema se basa en el uso de funciones estadísticas y de redes neuronales, y está desarrollado en un ordenador con una interfase gráfica de usuario (GUI). Los sonidos de los disparos se discretizan, se extraen parámetros de tiempo y de frecuencia y con ellos se emplean los diferentes métodos de reconocimiento. Las Redes neuronales tipo perceptrón multicapa son las que mejor resultados están dando.
1. INTRODUCCION
El reconocimiento automático de patrones sonoros por medio del ordenador, especialmente usando redes neuronales, se ha desarrollado con éxito en tareas como el reconocimiento de habla, de locutor, descodificación acustico-fonética, etc. [1], [2], [3]. Sin embargo, existen algunas aplicaciones de un relevante interés, económico o social, en las que las redes neuronales se han empleado muy poco. Una de estas áreas es la identificación de las armas y, o, municiones empleadas en un disparo basándose en el sonido [4]. Si este tipo de aplicaciones tuviese éxito se podría emplear en sistemas de seguridad, juntamente con las cámaras de video, de manera que en el caso de producirse algún disparo, el ordenador pudiese dar una estimación del tipo de arma que se ha usado.
En este trabajo presentamos un primer tratamiento del problema anterior, basándonos en un conjunto de datos limitado a unas pocas clases de armas (cinco) y de municiones (doce). La grabación de los datos se hizo en cuatro entornos muy diferentes: en un espacio cerrado insonorizado (galería interior de tiro), en un espacio abierto específico(galería exterior de tiro), en un espacio cerrado sin preparación (habitación) y en un espacio abierto normal (campo). Para los dos primeros casos, se han empleado las galerías de tiro de la Escuela General de Policía de Avila (España) Estos cuatro entornos fueron elegidos en un intento de simular las situaciones reales en que el sistema desarrollado podría, eventualmente, llegar a ser usado.
2. METODOS
2.1 Adquisición de datos.
Para empezar, se eligieron cinco clases de armas : pistola Star Mod. 28 Pk., revólver Astra Mod.
960 Calibre 38 Cañón 4", escopeta Policial Franchi Calibre 12x70, fusil Nato Mod. Coruña 7,62x51 y Cetme-c 762x51 [5]. Para cada clase, usamos dos o tres tipos de munición y trabajamos en dos o cuatro entornos, dependiendo del arma empleada. En cada entorno, se efectuó un número variable de disparos dependiendo del arma elegida. Puesto que el objetivo final es la identificación de la clase de arma, independiente del ejemplar utilizado, hemos usado tres unidades de cada
clase. De esta forma, tenemos una base de datos de, aproximadamente, 1200 sonidos de disparos, identificados y etiquetados.
Además, con el fin de poder hacer algunos experimentos sobre la capacidad de generalización del sistema con armas no incluidas en los grupos anteriores, se tomaron datos de disparos de Pistola Star 9” corta, revolver Colt King Cobra, revolver Astra 250-2, escopeta Mosberg 12x79 y Cetme repetidor de caza.
La grabación de los sonidos se hizo sobre un minidisc digital con un micrófono de alta fidelidad.
Desde el minidisc, los datos se transfirieron posteriormente al ordenador a través de una placa de sonido convencional, con el software apropiado, En la Foto 1 se muestra una de las sesiones de grabación, hecha en la galería interior de tiro de la Escuela de Policía de Avila.
Foto 1.- Toma de datos en galería interior . 2.2 Base de Datos
Una vez que se dispuso de las muestras, se hizo un análisis de las mismas, en tiempo y en frecuencia. Los componentes temporales, energía y densidad de cruces por cero, se emplearon para el diseño de un detector de bordes para separar el sonido del disparo del ruido de fondo, de forma automática. Con las muestras ya aisladas, se calcularon una serie de características frecuenciales, trabajando con ventanas de diferentes tamaños en el dominio temporal. Dichas características fueron, entre otras, las siguientes:
- Frecuencia que divide el área de la transformada de Fourier en dos partes iguales.
- Valor de la energía máxima, y frecuencia a la que se produce.
- Energía y frecuencia de los formantes.
- Energía normalizada en diferentes bandas espectrales.
- Densidad espectral en el dominio temporal.
En la figura 1 se muestra un ejemplo de una señal, su transformada de Fourier y su transformada logarítmica.
Figura 1. Análisis en tiempo y frecuencia.
2.3 Análisis de los datos.
Con los parámetros así calculados, se llevó a cabo un estudio detallado para seleccionar aquellos más significativos para las tareas de discriminación. Como resultado, la energía normalizada por bandas (es decir, un banco de filtros), aparece como un método que posibilita la discriminación entre las distintas clases de armas con suficiente precisión. Algunos resultados aparecen en las figuras 2, 3 y 4, referentes a las energías para los disparos de pistola, revólver y escopeta.
Figura 2. Energía normalizada por bandas para la pistola
Figura 3 Energía normalizada por bandas para el revólver.
Figura 4. Energía normalizada por bandas para la escopeta.
De forma análoga, trabajando con diferentes tipos de ventanas temporales, se pueden obtener espectrogramas que aporten una parametrízación algo más específica en algunos casos, sobre todo para discriminar también el tipo de munición. En la figura 5 aparece el espectrograma calculado con 12 ventanas de Hamming de 2048 puntos para los sonidos de una pistola.
Figura 5. Espectrograma para pistola Star, munición 9 mm P, semiblindada, galería de tiro interior.
3.- RECONOCIMIENTO.
Para el problema del reconocimiento de patrones, existe un conjunto de técnicas estadísticas que se podría aplicar (funciones discriminantes exponencial, gaussiana, de escrutinio, etc.). Pero con ellas, la tasa media de aciertos que obtuvimos no superó el 87%. Por ello, decidimos aplicar técnicas de reconocimiento basadas en redes neuronales artificiales (RNA). Como es sabido, las Redes Neuronales Artificiales son modelos de computación distribuida, que intentan reproducir, de forma muy simplificada, el funcionamiento del sistema nervioso animal. Su principio básico es el uso repetitivo, y masivo, de elementos de proceso muy simples, llamados Neuronas Artificiales, sobre las cuales se implementa algún algoritmo de entrenamiento que vaya modificando los parámetros de las neuronas para optimizar algun índice de funcionamiento. De todos los paradigmas descritos en la literatura, hemos empleado dos que son los que mejor resultado están dando en problemas de reconocimiento o clasificación: el Perceptrón Multicapa con aprendizaje por retropropagación (MLP), y el Mapa Autoorganizado (SOM). En las tablas siguientes mostramos los resultados que se obtuvieron para cada uno de los paradigmas empleados.
3.1. Perceptron Multicapa.
La Tabla 1 muestra los resultados para los disparos en la galería de tiro interior. En este caso se ha utilizado una red de 15x8x3, tomado como parámetros de entrada los 15 valores que corresponden a las energías normalizadas por bandas de frecuencia. El conjunto de los datos de entrada se dividió en dos subconjuntos disjuntos: entrenamiento (datos de dos armas de cada clase) y prueba (datos del arma restante). De esta forma se garantiza que las redes se prueban con datos que no han “oido” antes y, por tanto, los porcentajes de acierto reportados reflejan claramente la bondad del método empleado. Se hicieron diferentes particiones y los resultados que se presentan son la media de los 27 experimentos calculada sobre los conjuntos de prueba.
Tabla 1. Galería interior. Energía por Bandas MLP
% Aciertos Pistola Star 28 Pk 100 Revólver Astra 4" 99 Escopeta policial 100
Las Tablas 2 y 3 muestran los resultados para la base de datos de comprobación, es decir, para armas y sonidos de clases distintas a las de entrenamiento. Se obtuvieron resultados muy similares con el micrófono colocado en otras posiciones dentro de la galería.
Tabla 2. Galería interior. Energía por Bandas MLP
% Aciertos Pistola Star 28 Pk 100
Ráfaga 100 Tabla 3. Galería interior. Energía por Bandas MLP
% Aciertos Pistola Star 9 Corta 100 Revolver Colt 4" 100 Revolver Astra 2" 0 Escopeta Mosberg 98,5 Escopeta repetidora 100
En las Tablas 4 y 5 se dan los resultados para el recinto cerrado estándar (habitación normal), en un intento de emular una situación real, como la sala de operaciones de un banco, o una tienda.
Tabla 4. Recinto cerrado estándar. Energía por Bandas. MLP
% Aciertos Pistola Star 28
Pk
100 Revolver Astra 4" 100 Escopeta policial 100
Tabla 5. Galería exterior. Energía por Bandas. MLP
% Aciertos Pistola Star 28 Pk 100 Revolver Astra 4" 95 Escopeta policial 92
Rifle 89 Cetme 98
Esta última tabla 5 muestra que usando la parametrización de energía por bandas, en la galería de tiro exterior los resultados de generalización no son demasiado buenos. Por lo tanto, decidimos emplear otro método de parametrización, el espectrograma, variando el número y tamaño de las ventanas. Con un procedimiento de prueba y error, los mejores resultados se obtuvieron con espectrogramas de 20 parámetros. Dado que en este caso el número de clases es 5, las redes empleadas son de 20x8x5. En la tabla 6 aparecen los resultados.
Tabla 6. Galería exterior. Espectrograma . MLP.
% Aciertos Pistola Star 100 Revolver Astra 96 Escopeta policial 100
Rifle 95 Cetme 98 3.2.- Mapa Auto-organizado.
El Mapa Auto-organizado, SOM [8], representa la salida de un algoritmo de cuantificación vectorial que establece una correspondencia entre vectores de referencia de un espacio de entrada de dimensionalidad alta, a un espacio de baja dimensión (2 en este caso). Esta correspondencia se hace de una forma ordenada que preserva la topología original, es decir, muestras que están
“cercanas” en el espacio original aparecen cercanas en el plano del mapa. En este caso particular, tenemos un conjunto de entrada de dimensión 15 (coeficientes de energía por bandas) y establecemos una correspondencia sobre un plano usando el algoritmo de aprendizaje competitivo del SOM. Una vez que el mapa está entrenado, se efectúa un proceso de etiquetado, asignando a cada neurona ganadora en el mapa la etiqueta que corresponde a la clase de la muestra de entrada.
Con los datos de la galería de tiro interior, el mejor mapa auto-organizado es de 4x6, con topología hexagonal y fundión de vecindad de tipo burbuja [9]. Los resultados aparecen en la Tabla 7. En la Tabla 8 se muestran los resultados para la galería exterior, con un mapa de 13x11, con la misma topología y función de vecindad que en el caso anterior. Como puede verse, el SOM da resultados mucho mejores en este caso que el MLP, incluso con este método simple de parametrización.
Tabla 7. Galería interior. Energía por bandas. SOM
% Aciertos Pistola Star 28 Pk 100 Revolver Astra 4" 100 Escopeta policial 90
Tabla 8. Galería exterior. Energía por bandas. SOM
% Aciertos Pistola Star 28 Pk 100 Revolver Astra 4" 100 Escopeta policial 100
Rifle 100 Cetme 100
3.3.- Reconocimiento de munición.
Un primer tratamiento al problema del reconocimiento de la munición podría hacerse dividiendo cada una de las clases de armas en un cierto número de subclases, tantas como tipos de munición se hayan empleado. De esta forma, por ejemplo, la clase “Pistola”, se dividiría en dos: “Pistola con munición blindada” y “Pistola con munición no blindada”, y así sucesivamente. Esto nos daría un total de 12 categorías. Pero con esta aproximación los resultados, tanto con MLP como con SOM, son muy pobres. De manera que debemos buscar otra forma de abordar el problema: un enfoque modular jerárquico, basado en el uso de dos redes neuronales: una para clasificar el arma y otra, en un segundo nivel, especializada en la clasificación de la munición. Este esquema se muestra en la figura 6.
Figura 6.- Sistema jerárquico modular para reconocimiento de munición
Con este tratamiento, en la Tabla 9 aparecen algunos resultados para la galería exterior. En este caso se ha empleado una red de tipo SOM en el primer nivel, y un SOM o un MLP en el segundo.
Tabla 9.- Resultados de reconocimiento de munición con sistema modular
Arma %Aciertos con
SOM en el segundo nivel
%Aciertos con MLP en el segundo nivel
Pistola 85 100
Revolver 62.5 56.3 Escopeta 87.5 62.5
Rifle 87.5 75
Cetme 50 50
Parece claro que los resultados no son especialmente buenos con ninguno de los tratamientos, ni con SOM-SOM ni con SOM-MLP. En nuestra opinión, esto se debe a que el método de parametrización empleado (energía por bandas) no aporta suficiente específiccidad para distinguir claramente el tipo de munición. Por ello, en trabajos futuros, se abordará este problema con parametrizaciones más finas.
4.- IMPLEMENTACION.
El trabajo se está realizando utilizando estaciones SUN haciendo uso de Neural Network Toolbox de Matlab y del GUI para la creación de un entorno amigable, funcional y lo más simple posible para la identificación e información del arma y munición [6], [7]. La figura 7 muestra alguna de las ventanas de la aplicación:
Datos de entrada
Red para reconocer el arma.
Red para reconocer la munición en pistola.
Red para reconocer la munición en revólver.
Red para reconocer la munición en escopeta.
Red para reconocer la munición en rifle.
Red para reconocer la munición en Cetme.
Figura 7. Presentación de resultados
5. CONCLUSIONES
Las redes neuronales permiten una discriminación entre armas con una tasa de error muy baja, usando como entrada los sonidos grabados de disparos. El objetivo final de este trabajo es conseguir tasas de reconocimiento altas para un elevado número de clases de armas y de municiones, en diferentes entornos de operación. De esta forma, se dispondría de un sistema auxiliar de seguridad simple y robusto. Con este fin, será necesario ensayar diferentes métodos de parametrización, y algunos paradigmas conexionistas adicionales, como las funciones de base radial. Pero, los resultados obtenidos hasta ahora y mostrados en este artículo demuestran que el objetivo final es alcanzable.
6.- AGRADECIMIENTOS.
Los autores desean agradecer públicamente a la dirección y profesores de la Escuela general de Policía de Avila por el apoyo que están obteniendo para la realización de este trabajo. Además, el trabajo está siendo parcialmente subvencionado por un proyecto de investigación básica de la Junta de Castilla y León, y forma, asimismo, parte de las tareas que se realizan dentro del proyecto iberoamericano AIRENE (Aplicaciones e Implementaciones de las redes neuronales), del programa CYTED.
7. REFERENCIAS
[1] Beale & Jackson; “Neural Computing. An introduction”, Adam Hilger (1990).
[2] Freeman J. A. y Skapura D. M.; “Redes neuronales. Algoritmos, aplicaciones y técnicas de programación”, Adison-Wesley (1993).
[3] Furui, S.; “Digital Speech Processing, Synthesis, and Recognition”, Marcel Dekker, Inc. (1991).
[4] Macía, M. J.; Espada, R.; del Amo, J.; Lafont, L.; Herrero, F. y Castilla, M.; “Tiro, Armas y Explosivos”, Dirección General de la Policía. División de Formación y Perfeccionamiento (1994).
[5] Macía, M. J.; del Amo, J.; Herrero, F.; “Cuaderno de Formación nº 13. Manual de Tiro, Armas y Explosivos”, Dirección General de la Policía. División de Formación y Perfeccionamiento (1996).
[6] Krauss, Thomas P.; Shure L. & Little J. N.; “Signal Processing TOOLBOX For Use with MATLAB”, The MATH WORKS Inc. (1994).
[7] Hanselman, D. y Littlefield, B. “Matlab”, The Math Works Inc. (1996).
[8] Kohonen:.- Self Organizing Maps.- Springer Verlag 1995
[9] Kohonen, Hynninen, Kangas, Laaksonen.- SOM_PAK. Helsinky University of Technology, 1995
