Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
RECONOCIMIENTO AUTOMÁTICO DE ARMAS A PARTIR DEL CULOTE DE LOS CARTUCHOS Alejandro Legrá Ríos, Enrique Marañón Reyes 1, Hebert Pérez Rosés, Frank Sanabria Macías, Lisandro de la Torre Rodríguez Centro de Neurociencias y Procesamiento de Imágenes y Señales, Universidad de Oriente, Ave. de las Américas s/n, esquina a Casero, Santiago de Cuba 90400 1 Dirigir la correspondencia al Dr. Enrique Marañón Reyes: enriquem@fie.uo.edu.cu Abstract This work is a preliminary step in the development of a computer system for automatic identification of weapons with the aid of fired cartridges. We study the particular characteristics that can be present on the bottom of the cartridge, which are helpful for automatic identification of the corresponding weapon, and we discuss how to extract and use those features. Index Terms Ballistics, active contours, Fourier descriptor, Hough transform. INTRODUCCIÓN La vaina o casquillo de un cartucho disparado constituye una de las evidencias más importantes en la solución de un caso criminal. A partir de este elemento el investigador criminal puede determinar el tipo de arma, y en muchas ocasiones, el arma concreta que efectuó el disparo. Para ello, el perito criminalista se apoya en un conjunto de características generales (determinadas por el tipo de arma), y particulares del arma que disparó. Estas características se localizan en varios lugares de la vaina, como por ejemplo el culote (fondo), y los laterales. No obstante, identificar manualmente el arma de donde proviene un casquillo determinado requiere un trabajo arduo de uno o varios especialistas, de ahí la necesidad de realizar esta identificación de manera automática. En el mundo existen ya varios sistemas computacionales que permiten reconocer de forma más o menos automática, a partir de diferentes características particulares, el arma que efectuó el disparo. Entre ellos se encuentra, por ejemplo, el sistema IBIS (Integrated Ballistics Identification System), desarrollado en 1994 por Forensic Technology Inc., el cual es utilizado actualmente por el FBI de los Estados Unidos, y por otros países, como Brasil. También es muy conocido el sistema Arsenal, de manufactura rusa. En general, estos sistemas poseen un alto nivel de complejidad, pues integran una serie de módulos diferentes, con altos requerimientos de hardware, manipulación de bases de datos, procesamiento de imágenes, y reconocimiento de patrones. El costo de estos sistemas varía en un rango que va desde los cientos de miles hasta los millones de dólares. El presente trabajo constituye un paso preliminar para el futuro desarrollo de un sistema similar cubano. Aquí hemos hecho un estudio de las características particulares que pueden aparecer en el culote, y que pueden servir para el reconocimiento automático del arma en cuestión. Vale aclarar que las características útiles para la identificación automática no coinciden necesariamente con las características útiles para la identificación manual. La estructura del trabajo es la siguiente: En la segunda sección se describen de forma general las características utilizadas en el reconocimiento, y el proceso de obtención de las mismas. Aquí no se dan definiciones matemáticas; el lector interesado puede verlas en los apéndices. Posteriormente se hace un resumen de los resultados experimentales obtenidos, que avalan la efectividad del método descrito. Por último, se plantean las conclusiones y los problemas para el trabajo futuro. EXTRACCIÓN DE CARACTERÍSTICAS DEL CULOTE Para obtener características particulares del culote, útiles para la identificación del arma, partimos de una imagen de alta resolución, obtenida por medio de un equipo especial. El culote de un casquillo tiene forma circular, y en él se localiza el fulminante del cartucho, el cual, al ser golpeado por la aguja percutora del arma, enciende la pólvora que se encuentra dentro del cartucho. De acuerdo con la posición donde golpea la aguja percutora, las armas se clasifican en dos tipos: armas de fuego central, y armas de fuego periférico. Estas últimas son, por lo general, armas de pequeño calibre (e.g. 0.22 pulgadas), y no serán consideradas en este estudio. En las armas de fuego central el fulminante forma un círculo concéntrico en el interior del culote, tal como se muestra en la Figura 1. En el interior de este círculo golpea la aguja percutora, y produce una hendidura, cuya forma puede ser a su vez de dos tipos: circular, o en forma de pera, que también se conoce como deslizada. La posición de esta huella, así como su forma, pueden ser utilizadas para el reconocimiento automático [6], aunque su valor en el reconocimiento manual es más bien limitado [2]. El contacto del culote con el fondo del cañón produce una textura sobre el primero, que también identifica al arma [2]. De manera similar, la aguja percutora puede poseer elementos de relieve en la punta, que se imprimen sobre el fondo de la huella, y forman una textura útil para la identificación del arma, tanto automática como manualmente. FIGURA 1 ELEMENTOS FUNDAMENTALES DEL CULOTE El primer paso para la obtención de las características del culote es la segmentación de la imagen. En primer lugar se identifica el centro y el radio del círculo más externo (el borde exterior del casquillo) mediante un sencillo algoritmo geométrico. En segundo lugar se detectan los bordes presentes en la imagen, y se separa la huella de la aguja percutora del resto de la imagen. Para ello se aplica la transformada de Hough de círculos, la cual permite ajustar un círculo al borde de la huella, y determinar su centro y su radio. En el apéndice A se describen los principios básicos de la transformada de Hough clásica (para líneas rectas), así como la variante para círculos, de acuerdo con [4]. Ahora ya estamos en condiciones de trabajar con la huella para describir su forma y la textura de su fondo. Para obtener la forma de la huella de la aguja percutora se utilizó un contorno activo, o culebra (snake en inglés). La culebra es una curva plana que cambia de forma en el tiempo, ajustándose a los objetos representados en una imagen. En el Apéndice B se describen más detalladamente los fundamentos matemáticos de los contornos activos. Estos conceptos básicos, así como aplicaciones, pueden encontrarse en [1]. Por el momento baste señalar que la culebra debe ser inicializada cerca del objeto que se desea capturar, y para ello se utiliza el círculo suministrado por la transformada de Hough. En nuestro caso se utiliza una variante de culebra llamada "balloon", que se expande de adentro hacia fuera. El proceso de expansión consta de dos fases: Primero se toma como culebra inicial un círculo de radio menor que el círculo de Hough ajustado al borde de la huella, y esta culebra se expande, repelida por una fuerza interior. Luego, cuando la culebra alcanza su posición de equilibrio, se toma este resultado como culebra inicial para una segunda fase de aproximación, donde la culebra es atraída por los bordes de la imagen . En la Figura 2 se muestra la imagen del culote de un casquillo, donde se representan los bordes principales de la imagen (en color azul), y la culebra que delimita la huella del percutor (en color rojo). FIGURA 2 BORDES Y CULEBRA Una vez que se tiene la curva que representa el contorno de la huella de la aguja percutora, se puede calcular su centroide o centro de gravedad, y se puede construir un descriptor de forma. El descriptor de forma que utilizamos en este trabajo no es más que el módulo de la transformada de Fourier de la curva, vista como una función compleja de una variable o parámetro real. Este descriptor se conoce como descriptor de Fourier, y posee la propiedad de ser invariante ante rotaciones [3, 5].2 Para describir la texturadel fondo de la huella de la aguja percutora construimos varios círculos con centro igual al centroide de la huella, y radio variable, menor que el radio de la huella, tal como se muestra en la Figura 3. Luego se toman los niveles de gris de los píxeles que se encuentran sobre cada uno de estos círculos, y con ello se construye una curva real, que recoge información de la textura en el fondo de la huella. A esta curva real se le calcula el módulo de la 2 También es invariante ante traslaciones y escalado, pero estas propiedades no nos interesan. transformada de Fourier, y se obtiene un descriptor de textura que también es invariante ante rotaciones. FIGURA 3 CÍRCULOS PARA DETERMINAR TEXTURA EN EL FONDO DE LA HUELLA El descriptor general de una imagen es un vector que está formado por las coordenadas del centroide de la huella, el descriptor de forma de la huella, el descriptor de textura de la huella, y el histograma de la parte exterior del fulminante. El algoritmo de reconocimiento empleado es un algoritmo clásico de reconocimiento de patrones: el algoritmo de los k vecinos más cercanos: Dada la imagen de una evidencia, se construye su descriptor general, y se compara con el descriptor de cada una de las muestras almacenadas en una base de datos. En cada caso se calcula una distancia entre el descriptor de la evidencia y el de la muestra correspondiente, y se toman las k muestras que producen la menor distancia. La función de distancia utilizada es simplemente la distancia euclidiana (normalizada) entre los vectores descriptores. RESULTADOS EXPERIMENTALES El algoritmo de reconocimiento descrito en la sección anterior fue implementado en MatLab 7.0, y sometido a una serie de pruebas experimentales, para ajustar sus parámetros de funcionamiento y evaluar su efectividad. Con este fin se tomaron imágenes de alta resolución de cartuchos disparados con 11 armas de fuego central. Para cada arma se tomó la imagen de al menos dos cartuchos. A estas imágenes se les calculó su descriptor general, y se construyó una pequeña base de datos con los correspondientes descriptores. Luego se realizó la comparación de cada uno de los descriptores con todos los restantes. Idealmente, para una evidencia dada, la imagen que debe proporcionar la menor distancia es la otra imagen correspondiente a la misma arma de la evidencia. Sin embargo, en la práctica eso no siempre sucede así. En la siguiente tabla hemos registrado, para cada imagen, en qué posición queda la otra imagen correspondiente a la misma arma. Esta información aparece en la segunda columna de la tabla (Pos). En el caso de la pistola MakarovS, de la cual poseemos 6 imágenes, la columna “Pos” indica el número de la imagen más cercana de la misma arma. En la primera columna de la tabla se indica el arma de procedencia, y entre paréntesis, el número de la imagen de dicha arma. TABLA I RESULTADOS EXPERIMENTALES Arma Pos. Arma Pos. Browning (1) 1 MakarovS (2) 1 Browning (2) 1 MakarovS (3) 1 CZ (1) 1 MakarovS (4) 1 CZ (2) 4 MakarovS (5) 1 Escopeta (1) 1 MakarovS (6) 1 Escopeta (2) 1 MakarovX (1) 4 Glock (1) 1 MakarovX (2) 4 Glock (2) 1 Star (1) 7 Llama (1) 5 Star (2) 9 Llama (2) 3 Stechkin (1) 3 Luger (1) 1 Stechkin (2) 2 Luger (2) 1 Walther (1) 1 MakarovS (1) 1 Walther (2) 3 Como dijimos arriba, en una situación ideal, el valor de la columna Pos debería ser siempre igual a 1, pero en la práctica esto sólo ocurre en un 61% de las veces. No obstante, el perito criminalista estaría satisfecho si el sistema le permitiese reducir su búsqueda manual a unos pocos casos. Obsérvese que si tomamos los 3 vecinos más cercanos, el arma verdadera es reconocida entre las 3 primeras en un 76% de los casos. Si tomamos los 5 vecinos más cercanos, el porciento de acierto aumenta hasta 92, mientras que para k = 10, el algoritmo acierta en el 100% de los casos. CONCLUSIONES Y TRABAJO FUTURO Con este trabajo se demuestra que un pequeño número de características permite identificar automáticamente de manera bastante efectiva el arma con que fue disparado un cartucho de evidencia, o al menos, reducir considerablemente el espacio de búsqueda. En el futuro inmediato es necesario evaluar este algoritmo de reconocimiento en un conjunto de muestras más voluminoso, para determinar su efectividad con mayor precisión. Además, se pretende incorporar al descriptor general otras características del cartucho que mejoren la efectividad del algoritmo de reconocimiento. Por último, se prevé extender estos resultados a las armas de fuego periférico. REFERENCIAS [1] Blake, A. y M. Isard, Active Contours, Springer Verlag, 2004. [2] Posada, J.A., Comunicación personal, 2005. [3] Russ, J.C., The Image Processing Handbook., CRC Press, 2002. [4] Tsai, D.-M., "A Machine Vision Approach for Detecting and Inspecting Circular Parts", International Journal of Advanced Manufacturing Technology, Vol. 15, 1999, pp 217-221. [5] Zhang, D. y G. Lu, "A Comparative Study of Fourier Descriptors for Shape Representation and Retreival", Proceedings of the 5th Asian Conference on Computer Vision, Melbourne, Australia, 2002. [6] Zhou, J., L. Xin, G. Rong, "Algorithm of Automatic Cartridge Identification", Optical Engineering, Vol. 40, No. 12, 2001, pp 2860- 2865. APÉNDICE A: TRANSFORMADA DE HOUGH La transformada de Hough es una herramienta matemática que permite ajustar líneas, círculos, y otras curvas, a determinadas secciones de una imagen. La transformada convierte un conjunto de puntos de la imagen en un conjunto de votos acumulados en un cierto espacio de parámetros. Luego, los elementos con un gran número de votos indican la presencia de la forma buscada en la imagen. De esta manera, la transformada convierte un problema difícil, de carácter global, en el espacio de la imagen, en un problema más sencillo, de detección de máximos locales, en el espacio transformado. El caso más sencillo es el de detección de líneas. Una línea recta que pase por el punto (x, y) de la imagen, se puede describir mediante la ecuación y = mx + c (1) Fijando x e y, y tomando m y c como variables, la recta (1) se corresponde con un punto en el espacio (m, c).3 Es decir, esta transformación convierte puntos en líneas, y viceversa. Para detectar las líneas rectas presentes en la imagen, aplicamos la transformación, discretizamos el espacio (m, c), y utilizamos cada punto de este espacio como un acumulador de votos, que se incrementa con cada línea encontrada que tenga los parámetros correspondientes. Al final, se buscan los puntos (m, c) que posean mayor número de votos, y esto nos indica la presencia de una línea recta en la imagen. La variante para detectar círculos consta de dos etapas: en la primera se calculan las normales a los segmentos de arco, y con ello se determina el segmento de recta donde puede encontrarse el centro del círculo. Todos los puntos de dicho segmento incrementan su voto, y luego, el probable centro se obtiene buscando el punto con mayor número de votos. Posteriormente, en la segunda etapa se calculan las distancias desde este centro a cada uno de los puntos de borde, y se realiza un proceso de votación con cada posible valor de la distancia. Obsérvese que en la primera etapa el espacio transformado es un arreglo bidimensional, congruente con el de la propia imagen, mientras que en la segunda etapa el espacio transformado es un arreglo unidimensional (de posibles radios). 3 Un caso especial, que no consideramos aquí, ocurre cuando la recta es vertical. APÉNDICE B: CONTORNOS ACTIVOS Consideremos una imagen como una función I: R2 → R, que le asigna un nivel de gris a cada punto del plano (en la práctica, a cadapíxel). Para nosotros, un contorno activo, o culebra, es una curva paramétrica plana, simple y cerrada: C: [0,1] → R2, posiblemente con algunas condiciones de frontera, si lo requiere la situación concreta. Si la culebra se posiciona sobre el plano de la imagen, se le puede asociar una "energía", o sea, una función E(C, I) con valores reales. Entonces permitimos que la culebra se deforme para alcanzar la posición de energía mínima. De acuerdo con la definición de la energía E, la culebra puede realizar diferentes movimientos, como por ejemplo, adaptarse al contorno de algún objeto presente en la imagen. Usualmente, la energía se define como E(C, I) = Eim(C, I) + Eint(C) (2) donde el término Eim(C, I) se denomina energía de la imagen, y el término Eint(C) se conoce como energía interna de la culebra. Usualmente se define Eim(C, I) = -∫∇I(C(s))2ds, (3) donde s ∈ [0,1] es el parámetro de la curva, y por lo tanto, la integración se realiza entre 0 y 1. La presencia de este término provoca que la culebra sea atraída por las zonas de mayor gradiente, es decir, los bordes. Por otro lado, la energía interna de la culebra se define como Eint(C,I)=∫(α(s)(C'(s)2)+(β(s)(C''(s)2)ds, (4) donde α y β son funciones definidas sobre el intervalo [0,1], con valores en R. La ecuación que define la energía interna de la culebra es una ecuación conocida de la mecánica: la ecuación de la membrana. El primer término dentro de la integral modela la elasticidad de la membrana; (α(s)(C'(s)2 ) es mayor mientras más alejados entre sí estén los puntos de la curva, por tanto, este término obliga a la culebra a “encogerse”. El segundo término modela la rigidez de la membrana; o sea, (β(s)(C''(s)2 ) crece a medida que la curva posee mayor cantidad de puntos singulares, por lo que este término contribuye a la suavidad de la culebra. Variando las funciones α y β se puede aumentar o disminuir la importancia relativa de uno u otro término. En la práctica, la culebra se toma como una curva definida a pedazos, o spline, y se representa de manera discreta.
Compartir