Un equipo de investigación de la Universidad de Sevilla ha automatizado un sistema de vigilancia que emite una alerta ante la posible presencia de armas en edificios al localizarlas en las cámaras de seguridad. El modelo se propone como una mejora de los servicios de seguridad actuales para el control de ataques en distintos espacios como aeropuertos, estaciones o centros comerciales.
Los expertos ponen a disposición de la comunidad científica un banco de datos recabados en un ataque simulado en la propia Universidad y con motores de videojuegos para continuar mejorando la aplicación. Así lo plantean en un artículo publicado en la revista Neural Networks en el que muestran cómo las cámaras detectan y marcan las armas de manera autónoma.
El trabajo toma como base el desarrollado en estudios anteriores sobre detección de señales de tráfico por vehículos autónomos y el presentado por el grupo Soft Computing and Intelligent Information Systems de la Universidad de Granada hace unos años. Ahora incorporan algoritmos de detección para evitar falsos positivos. “Hemos aumentado la precisión en la detección de objetos pequeños al agregar más variedad de imágenes y situaciones al modelo. Sin embargo, los resultados muestran que hay margen de mejora”, indica a la Fundación Descubre el investigador de la Universidad de SevillaJuan Antonio Álvarez, autor del artículo.
Videovigilancia + IA
El modelo creado se basa en las llamadas técnicas de aprendizaje profundo. Se trata de una serie de algoritmos de aprendizaje automático que utiliza una arquitectura conocida como redes neuronales convolucionales profundas. Estos algoritmos y neuronas artificiales funcionan de una manera muy similar a la corteza visual humana. Es decir, tienen la capacidad de aprender y diferenciar automáticamente distintos objetos a partir de una gran cantidad de imágenes para luego hacer predicciones correctas sobre otras nuevas y retroalimentarse con la nueva información que generan.
Los investigadores han ‘entrenado’ al sistema con imágenes reales tomadas en simulacros en la propia universidad
De esta manera, los investigadores han ‘entrenado’ al sistema con imágenes reales tomadas en simulacros en la propia universidad y otras creadas por ordenador para que la respuesta de la alerta ante la visualización de las armas sea más precisa y rápida.
Alertas frente amenazas
Los expertos apuntan que la detección autónoma de armas en circuito cerrado de televisión tiene aplicación en el campo de la seguridad, la lucha contra el terrorismo y la mitigación de riesgos. Sin embargo, se encuentra aún con algunas limitaciones, como la distancia del objeto a la cámara y los tiempos de señalización del arma.
En la vigilancia con personas, son frecuentes los errores por la calidad de imágenes o la cantidad de información visual que manejan con varios monitores de visionado simultáneo. Esto puede ocasionar que se puedan pasar por alto situaciones de peligro.
Con la automatización de señales de alarma se consigue la detección en tan solo 90 milisegundos
Con la automatización de señales de alarma se consigue la detección en tan solo 90 milisegundos. De esta manera, el personal puede poner en marcha mucho antes los protocolos de seguridad ante un ataque.
Los datos creados para la detección de armas de fuego mediante las cámaras toman de referencia, además del simulacro realizado en las instalaciones de la universidad, las obtenidas mediante el motor de juego Unity con el que se desarrollan escenas probables para ampliar el rango de información disponible.
Las grabaciones son tratadas por un sistema de detección basado en un algoritmo que construye mapas de datos relacionados. De esta manera, va creando nuevo conocimiento con todas las imágenes que van llegando. Con esta técnica se logra una mejora significativa en la extracción de la información que se desea obtener. “De esta manera, nuestro método logra mejores resultados y lo convierten en un punto de referencia en la detección de armas en circuitos cerrados de televisión“, concluye el investigador.
Los expertos continúan sus investigaciones para seguir mejorando la información recabada, ya que en ocasiones, el tamaño que pueden tener los objetos o su parecido con otras imágenes, como el manillar de una bici o un móvil, pueden dificultar su detección y obtener falsos positivos en las alertas.
Referencia: ‘Real-time gun detection in CCTV: An open problem’. Neural Networks. 2020. Vía: Fundación Descubre.
