Scientia et Technica Ao XVI, No 44, Abril de 2010. Universidad Tecnolgica de Pereira.

ISSN 0122-1701

229

EXTRACCIN DE CARACTERSTICAS DE TEXTURA PARA COTEJO DE PROYECTILES EN BALSTICA.

Texture feature extraction for bullets matching in ballistics

RESUMEN Debido al contacto entre el interior del can y el proyectil al disparar un arma de fuego, quedan impresas marcas sobre la superficie del proyectil. Estas marcas son caractersticas de cada tipo de arma y ms all pueden ser interpretadas como su huella digital. Un reconocimiento de las caractersticas que presentan estas marcas conducira a identificar cada arma de manera tan efectiva como las huellas digitales permiten identificar los sujetos. Se presenta en este trabajo, un conjunto de caractersticas de diferente naturaleza, las cuales resultan tiles en la descripcin de la textura que se presenta en las imgenes de las superficies de proyectiles disparados por armas de fuego. PALABRAS CLAVES: Extraccin de caractersticas, cotejo de proyectiles, balstica ABSTRACT Due at contact between barrel and projectile in a shoot of a firearm, there is mark which are left in bullets surface. These marks are characteristics of each firearm and further could be interpreted as its fingerprint. By recognizing the characteristics which are present in these marks would lead to identify each firearm as effectively as fingerprints allows identify characters. Is presented in the present work, a set of several nature characteristics, which are useful in description of fired bullets surface image texture. KEYWORDS: Feature extraction, bullets matching, ballistics.

JEISON MNDEZ GARCA Estudiante Ingeniera Fsica Grupo de Investigacin en Ingeniera Fsica (GIIF) Universidad Tecnolgica de Pereira jmendez@utp.edu.co JORGE HERNANDO RIVERA Ingeniero Electrnico, M. Sc. Profesor titular Universidad Tecnolgica de Pereira Grupo de Investigacin en Ingeniera Fsica (GIIF) j.rivera@utp.edu.co JOSE SOTO MEJA Fsico, Ph. D. Profesor titular Universidad Tecnolgica Pereira jomejia@utp.edu.co

de

1. INTRODUCCIN La identificacin de armas de fuego permite unir un crimen con un individuo sospechoso. La necesidad de procesos de identificacin ms confiables, repetibles y reproducibles se ha convertido en el tema de estudio de muchos investigadores, debido a la importancia que representa en la solucin de casos relacionados con armas de fuego. En la identificacin de armas se usan las marcas impresas en los proyectiles cuando el arma ha sido disparada. Debido al contacto del proyectil con el interior del can, aparecen dos tipos de marcas que presentan diferentes caractersticas, unas llamadas caractersticas de clase que dependen del tipo de arma (compaa fabricante), permiten identificar parmetros generales tales como la marca, el modelo y el calibre del arma; mientras otras ms especiales llamadas caractersticas individuales, proporcionan la posibilidad de identificar cada arma en particular, debido a finas imperfecciones en la elaboracin de las piezas del arma que entran en contacto con el proyectil.

La gran cantidad de casos que son investigados y presentan relacin con el uso de armas de fuego van en aumento, debido al acceso relativamente sencillo a estas de forma legal o ilegal. Luego, la identificacin de armas de fuego en materia judicial es una tarea que demanda adems de confiabilidad y exactitud, velocidad de procesamiento de la evidencia; y es aqu en este punto donde cobra importancia el uso de sistemas de procesamiento de imgenes digitales. Los sistemas automticos de procesamiento de imgenes son herramientas para agilizar la comparacin de evidencia reduciendo rpidamente el nmero de candidatos; sin embargo son los peritos y tcnicos en balstica, quienes deben tener a cargo la evaluacin del desempeo de los sistemas automticos de reconocimiento y la emisin de los resultados. En la actualidad existen varios dispositivos en forma comercial y en estado de prueba, para hacer identificacin de armas de fuego. Los dos sistemas de identificacin automtica de armas de fuego ms reconocidos son manufacturados por la compaa IBIS en Montreal-Canad, y el FBI (Drugfire) en Estados Unidos. Por otra parte una compaa canadiense, Walsh

Fecha de Recepcin: Enero 26 de 2010 Fecha de Aceptacin: Marzo 25 de 2010

230

Scientia et Technica Ao XVI, No 44, Abril de 2010. Universidad Tecnolgica de Pereira.

Automation, desarroll un sistema comercial llamado Bulletproof, el cual puede adquirir y almacenar imgenes de proyectiles y vainillas, luego de manera automtica buscar en una base de datos estriaciones caractersticas sobre los proyectiles. Sin embargo, el usuario debe igualar las marcas impresas o estras sobre el proyectil. Esta limitacin del sistema con respecto a los proyectiles ha hecho prohibitivo su uso. En Australia la universidad Edith Cowan, y el Instituto Australiano de Seguridad y de Tecnologa Aplicada han desarrollado el FireballFirearm Identification, el cual es reconocido en la actualidad como el sistema de identificacin de armas ms pequeo en el mundo. El Fireball tiene la capacidad de almacenar y recuperar imgenes de la parte posterior de las vainillas y luego de forma interactiva obtener la posicin mtrica de la impresin del percutor, la marca del eyector, y la marca del extractor. La limitacin de este sistema es que, la posicin y la forma de las impresiones en las imgenes debe ser trazada manualmente por el usuario; a pesar de lo anterior el sistema ha estado cuatro aos en funcionamiento. Por el momento sigue sin resolverse el problema de anlisis, almacenamiento y adquisicin de las imgenes de proyectiles [1,2]. 2. TEXTURA La textura est definida como toda variacin de los datos a una escala ms pequea que la escala de inters., por ejemplo, si se est interesado en identificar una persona que luce una camisa hawaiana, el patrn de las figuras en la camisa es considerado como textura [3]. Aunque no existe una definicin formal del concepto de textura, este descriptor de las imgenes proporciona intuitivamente medidas de propiedades tales como suavidad, rugosidad y regularidad [4]. Las texturas presentan dos importantes caractersticas que deben ser tomadas en cuenta [5]: Las texturas presentes en una imagen dependen de la escala, es decir, depende directamente de la distancia a la cual la imagen es adquirida. Las texturas dependen de la geometra de la figura, es decir, bajo diferentes entornos de iluminacin las texturas obtenidas son diferentes. Las texturas en una imagen pueden ser el resultado de: variaciones en los tonos o colores que esta presenta, variaciones en la forma de la superficie representada por la imagen, es decir, aunque la imagen est uniformemente coloreada, la textura aparecer en forma de sombras y regiones mejor iluminadas. Lo anterior aplica en imgenes, denominadas imgenes pticas. Sin embargo, las texturas pueden aparecer en imgenes, nopticas, como lo son por ejemplo las provenientes de tcnicas como resonancia magntica, ultrasonido y termografa entre otras.

Sin embargo desde el punto de vista de anlisis de texturas, imgenes pticas y no-pticas son tratadas de la misma forma [3]. 2.1. Enfoque estadstico de la descripcin de texturas Teniendo en mente que las imgenes pueden ser entendidas como un conjunto discreto de datos, donde cada uno representa la intensidad de determinado pixel. El n-simo momento alrededor de la media de un conjunto discreto de datos est dado por [5]:

donde representa una variable aleatoria discreta, )( es el histograma de la imagen, que a su vez puede ser interpretado como la probabilidad de ocurrencia de algn nivel de gris de la imagen, es el mximo nivel de gris que puede tomar la imagen (este depende si la imagen es de 8- bits, 16-bits, etc.) y es la media o intensidad promedio de la imagen. Se presenta a continuacin un conjunto de descriptores de textura, tiles en la representacin estadstica de las imgenes digitales [4,5]:

Existe sin embargo, otra forma de extraer caractersticas estadsticas de las imgenes, teniendo en cuenta no solamente la distribucin de los niveles de gris en la imagen, sino tambin la posicin relativa de pixeles que tienen iguales, o casi iguales niveles de intensidad. Esta forma de describir la textura posibilita la identificacin de patrones de textura [4]. Teorema 1. Sea P un operador de posicin y A una matriz k x k (k depende del nmero de niveles de gris diferentes). El elemento es el nmero de veces que aparecen los puntos con el nivel de gris (en la posicin especificada por P) en relacin con los puntos con el nivel de gris , con 1 y . Se define la matriz de co-ocurrencia de niveles de gris de una imagen as:

Scientia et Technica Ao XVI, No 44, Abril de 2010. Universidad Tecnolgica de Pereira.

231

C=

(8)

donde n representa el nmero total de pares de puntos que satisfacen el operador de posicin P. De esta manera es una estimacin de la probabilidad conjunta de que un par de puntos que satisfacen P, tengan valores ( , ). Esta forma de describir las texturas que se presentan en las imgenes, es recomendada para describir patrones presentes en las mismas [4]. Un conjunto de descriptores tiles en la extraccin de caractersticas a partir de la matriz de co-ocurrencia de niveles de gris incluye [4,5]:

polares, para producir una funcin (, ). Para fijo, la funcin (, ) se puede considerar una funcin unidimensional (), de forma similar para cada frecuencia espacial , se puede considerar como una funcin unidimensional (). Analizando ( )para un valor fijo de se obtiene el comportamiento del espectro a lo largo de una direccin radial desde el origen, mientras que analizando () para un valor fijo de , se obtiene el comportamiento a lo largo de un semicrculo de radio centrado en el origen. Luego una descripcin ms global se puede obtener sumando las variaciones, as:

2.2. Enfoque espectral de la descripcin de texturas El espectro de Fourier de una imagen es ampliamente usado porque permite detectar la presencia de patrones peridicos o cuasi-peridicos globales en las imgenes. Tales patrones aunque son fcilmente distinguibles como concentraciones de alta energa en el espectro, generalmente son bastante difciles de detectar usando mtodos de dominio espacial por la naturaleza local de esas tcnicas [2]. La transformada de Fourier de una funcin discreta de dos variables (imagen digitalizada) (, ), de tamao x , est dada por:

En general, para un espectro de tamao x = (, )/2 . Los descriptores que normalmente se utilizan para caracterizar el comportamiento de las funciones ( )y () son: La localizacin de su valor mximo, la media, la varianza de la amplitud y de las variaciones axiales, adems de la distancia entre los valores mximo y medio de la funcin [4]. 3. BASE DE DATOS La base de datos para el experimento consta de 4 proyectiles de 4 armas diferentes (subametralladora UZI 9mm, 2 subametralladoras MP5 y una Glock 17), todas estas poseen can con estriado hexagonal. Las imgenes son obtenidas con un equipo dispuesto como se muestra en la figura 1: Sistema fotogrfico digital de alto rendimiento para fotomicrografa de alta resolucin (Leica DFC490), microscopio estereoscpico Leica MZ6 y Software LAS (Leica Application Suite). Luego se realiz un proceso de desenvolvimiento de la superficie de cada proyectil para obtener imgenes como las mostradas en figura 2.

donde = 0,1,2, , 1 ; = 0,1,2, , 1. Son consideradas tres caractersticas del espectro de Fourier que son tiles para la descripcin de la textura [4]: Picos prominentes del espectro que dan la direccin principal de los patrones de textura. La localizacin de los picos en el picos en el plano de la frecuencia da el perodo espacial fundamental de los patrones. La eliminacin de los componentes peridicos durante el filtrado deja elementos no peridicos de la imagen, que se pueden describir mediante tcnicas estadsticas. La deteccin e interpretacin de las caractersticas se simplifica expresando el espectro en coordenadas

Figura 1. Disposicin de equipos para adquisicin de imgenes

232

Scientia et Technica Ao XVI, No 44, Abril de 2010. Universidad Tecnolgica de Pereira.

A B C D

R1 10945249 7315296 11955776 8207832

R2 219640 224511 233733 223764

R3 704926 694504 820806 682021

R4 10725608 7090785 11722043 7984068

Tabla 5. Caractersticas a partir de ()

Figura 2. Superficie desenvuelta de un proyectil

4. RESULTADOS EXPERIMENTALES Se obtuvieron matrices que contienen las caractersticas mencionadas en las secciones 2.1 y 2.2, y se incluyen ejemplos de las caractersticas extradas. Los datos se organizan en las tablas segn la siguiente codificacin:

A B C D

A1 10945249 10834690 11955776 8207832

A2 219640 222092 233733 223764

A3 704926 750900 820806 682021

A4 10725608 10612598 11722043 7984068

A5 90 88 90 90

Tabla 6. Caractersticas a partir de ()

4.1. ANLISIS DE VARIANZA (ANOVA) La tcnica de anlisis de varianza de un factor, permite determinar si la media de los datos medidos para determinada caracterstica difiere entre grupos, en un intervalo de confidencia del 95%, es decir, si es probable que esa caracterstica permita diferenciar entre grupos. Para el experimento, cada grupo o nivel de tratamiento representa un arma diferente. Antes de realizar el anlisis de varianza, se realizaron las respectivas pruebas de normalidad y homocedasticidad, las cuales permiten contrastar supuestos sobre la poblacin, para que la realizacin de ANOVA tenga sentido. Como resultados, las pruebas de Levene y Shapiro-Wilk, indicaron que efectivamente los datos de cada grupo provienen de poblaciones normales y que las varianzas de los grupos pueden ser consideradas homogneas. Lo anterior fue aplicado a cada caracterstica del conjunto. 4.1.4. Comparacin mltiple de varianzas Para cada caracterstica se realiz el proceso de comparaciones mltiples entre las medias de los grupos, para determinar cules de ellos podran llegar o no a ser iguales. El intervalo para diferencia de medias fue calculado usando la medida de tendencia central de Tukey. Los resultados se presentan en las tablas 7, 8 y 9.
Caracterstica Contraste Correlacin Grupos Diferentes 1 2 2 3 2 4 2 3 2 4 1 2 2 3 2 4 1 2 1 4 2 3 2 4

Tabla 1. Cdigos de las clases de armas

Tabla 2. Cdigos de las caractersticas

A B C D

1 131,3475 129,8166 130,0024 130,3069

2 73,3543 73,3171 73,3443 73,1180

3 0,0764 0,0764 0,0764 0,0760

4 -0,2605 -0,1039 -0,1633 -0,1739

5 0,0165 0,0164 0,0165 0,0168

6 5,9607 5,9611 5,9596 5,9464

Tabla 3. Caractersticas a partir de los histogramas

A B C D

7 0,2500 0,2245 0,2780 0,2640

8 0,9702 0,9733 0,9669 0,9685

9 0,0839 0,0868 0,0824 0,0821

10 0,8907 0,8990 0,8855 0,8852

Energa

Homegeneidad

Tabla 4. Caractersticas a partir de la MCNG Tabla 7. Mltiple comparacin de medias. Caractersticas de MCNG

Scientia et Technica Ao XVI, No 44, Abril de 2010. Universidad Tecnolgica de Pereira.

233

Caracterstica Uniformidad Entropa

Grupos Diferentes 2 3 2 4 2 4

Tabla 8. Mltiple comparacin de medias. Caractersticas de Histograma

Caracterstica Desvest (())

Posicin del mximo (())

Grupos Diferentes 1 3 2 3 1 2 2 3 2 4

Tabla 9. Mltiple comparacin de medias. Caractersticas del espectro

5. CONCLUSIONES Y RECOMENDACIONES Las caractersticas extradas permiten diferenciar entre clases de armas, sin embargo, no se encontr una caracterstica que fuera significativamente diferente para todas las clases. La informacin extrada a partir de la matriz de coocurrencia de niveles de gris (MCNG), es la que permite diferenciar mejor entre los grupos. La informacin obtenida a partir de los espectros de las imgenes no present mayor diferencia entre los grupos, lo cual se puede deber a la irregularidad del estriado producido por el can poligonal de las armas usadas. Agradecimientos: Laboratorio de comparacin balstica de la fiscala general de la nacin seccional Pereira. Dr. Jaime Granada Hincapie. 6. BIBLIOGRAFA [1] Dongguang Li. Ballistics projectile image analysis for firearm identification, IEEE Transactions on image processing. Vol 15, N10, pp. 2857-2865, 2006. [2] Dongguang Li. Firearm identification system based on ballistics image processing, IEEE Transactions on image processing. Congress on image and signal processing. Vol 3, pp 149-154, 2008. [3] M. Petrou and P. Garca. Image processing Dealing with texture, England: Jhon Wiley & Sons, 2006. [4] R. C. Gonzlez and R. E. Woods. Tratamiento digital de imgenes. Delaware: Addison-Wesley, 1996. [5] R. C. Gonzales and R. E. Woods. Digital image processing using Matlab. Prentice Hall, 2003.