Identificación del arma y la munición utilizadas en un disparo con técnicas conexionistas

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 acústico-fonética, etc. 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. Si este tipo de aplicaciones tuviese éxito se podría emplear en sistemas de seguridad, juntamente con las cámaras de vídeo, 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 y de municiones. 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 de Policía de Ávila (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.

Aunque el objetivo final sea el reconocimiento de cualquier arma y munición, en esta tesis se plantea únicamente el reconocimiento de un número reducido de armas y munición como primer paso, debido a la dificultad de la adquisición de las muestras, disparos en este caso.

Se han explorado distintas técnicas de extracción de parámetros de la señal original, que contengan tanta información como la señal misma para la tarea que nos ocupa, pero que permita un tratamiento informático sencillo.

Para la identificación se ha empleado por una parte tratamiento estadístico y por otra la aplicación de redes neuronales, descartando definitivamente la primera por obtener baja tasa de aciertos.

Se consideró conveniente diseñar un detector de bordes para seguir un criterio estándar a la hora de separar la señal de disparo del ruido de fondo. Se ha comprobado que las señales de disparos presentan la mayor densidad espectral en la zona baja de frecuencias, por lo que basta con extraer características de esta zona con objeto de parametrizar la señal de disparo. Se consideró necesaria la normalización temporal de cada disparo en el caso de trabajar en diferentes entornos, para conseguir una longitud fija del vector de parámetros de entrada.

Las redes neuronales utilizadas han sido el perceptrón multicapa y los mapas autoorganizados, obteniendo mejores resultados con las primeras, aunque las segundas las podemos considerar como discriminadores entre armas cortas y largas. Podemos pues indicar que la utilización de una red neuronal del tipo perceptrón multicapa nos permite afrontar la tarea de reconocimiento del arma y la munición. Formulando el reconocimiento como una tarea de clasificación, utilizamos una neurona por cada una de las clases en que se divide el espacio de entradas. Con el algoritmo de retropropagación propuesto por Rumelhart podemos encontrar un conjunto de pesos para la red que minimice una condición de error en clasificación de los ejemplos utilizados en entrenamiento. Para el caso que nos ocupa hemos obtenido buenos resultados con una sola capa oculta y para cinco clases, ocho neuronas en la capa oculta han demostrado ser suficientes para obtener alta tasa de aciertos. El criterio de decisión utilizado en clasificación para determinar cuándo una entrada pertenece o no a una clase ha sido el número de neuronas de la capa de salida con valor mayor que un umbral (0,75) y el número de ellas que están por debajo de otro umbral (0,25). Para que una salida se considere válida, solamente una neurona tiene que estar activada; en caso contrario se consideran ambiguas. En nuestro estudio han sido muy pocos los casos que se han dado de ambigüedad.

Hemos optado por trabajar con un sistema modular de redes, de forma que utilizaríamos una primera red la para clasificar el arma y una segunda para la munición. Ahora bien, no hay que olvidar que no existe una técnica que indique la arquitectura de red óptima para un problema dado. Por ello, para un trabajo próximo se está pensando utilizar otros tipos de redes, como las funciones de base radial.

Hemos comprobado que una red entrenada con datos de la clase revólver de 4", entre otras, a la hora de clasificar revólveres de 2" y 6" (características físicas distintas), clasifica los primeros como pistolas mientras que los segundos los identifica correctamente. Este resultado será objeto de estudio posterior en profundidad.

Otro de los resultados obtenidos, que consideramos de relevancia, es que la capacidad de reconocimiento de la red es independiente del medio de grabación utilizado. Esto es muy importante a la hora de implementar una aplicación para ser usada como medida de seguridad.

Hemos confrontado los resultados conseguidos por la identificación automática con los obtenidos por un experto en armas y tiro, llegando como resultado a que el sistema automático proporciona una tasa de aciertos considerablemente superior. En concreto, el porcentaje de aciertos del especialista en la identificación de armas no ha superado el 71 % en la galería de tiro interior, el 33 % en la galería exterior y del 35 % en la munición. El experto humano diferencia razonablemente bien entre armas cortas y largas, pero es casi incapaz de distinguir entre dos armas de longitudes similares.

Para tareas futuras se pretende ampliar las bases de datos; trabajar con mayor número de armas, sobre todo en el interior; utilizar una gama más amplia de munición; poder utilizar silenciadores en otras armas; trabajar en otros entornos de grabación, con diferente altitud. Trabajar con otros parámetros de entrada, basados en modelos de codificación por fuente (parámetros LPC). También sería interesante poder recortar un cañón de un arma, por ejemplo de una escopeta, para determinar la dependencia del sonido con la longitud del cañón o incluso poder trabajar con armas de fabricación propia.

También se está pensando realizar una parametrización más fina, con el objetivo de identificar un arma concreta dentro de una misma clase.