Computer Vision in der forensischen Wissenschaft: Verborgene Hinweise erkennen

Ermittlungen hängen stark von physischen Beweisen ab, die an Tatorten gesammelt werden, und viele dieser Beweise sind visueller Art. Traditionell wurden diese Hinweise manuell zusammengetragen – durch das Fotografieren des Tatorts, das Anfertigen von Skizzen, das Beschriften von Gegenständen und das geschulte Auge der Ermittler, mit dem sie subtile Details erkennen.

Seit Jahren unterstützen Werkzeuge wie Wärmebildkameras und Fingerabdruckscanner diese Arbeit und spielen eine wichtige Rolle bei der Aufklärung von Straftaten. Doch dank KI und Computer Vision werden Ermittlungen nun zunehmend fortschrittlicher. Maschinen können dabei helfen, visuelle Beweise schneller, präziser und in deutlich größerem Umfang zu analysieren.

Insbesondere Computer Vision ist eine wirkungsvolle Technologie, mit der Maschinen Bilder und Videos erfassen und verstehen können. Diese Systeme verarbeiten und analysieren große Mengen visueller Daten schnell und helfen Ermittlerinnen und Ermittlern, Straftaten schneller aufzuklären.

Die Vorteile KI-gestützter Werkzeuge bei Ermittlungen haben dazu beigetragen, dass der weltweite Markt für KI-gestützte Werkzeuge der digitalen Forensik im Jahr 2025 einen Wert von 4,98 Milliarden US-Dollar erreichte. Bis 2031 dürfte er auf 17,7 Milliarden US-Dollar anwachsen.

Abb. 1: Globaler Markt für KI-gestützte digitale Forensik (Quelle.)

In diesem Artikel sehen wir uns an, wie Computer Vision bei forensischen Ermittlungen eingesetzt werden kann und wie sie dabei helfen kann, visuelle Beweise zu identifizieren, zu analysieren und zu interpretieren.

Die Rolle von KI und Computer Vision in der Forensik#

Computer Vision ermöglicht Maschinen, visuelle Informationen aus der realen Welt zu interpretieren und auf Grundlage dieses Verständnisses Entscheidungen zu treffen. In der forensischen Wissenschaft kann KI beispielsweise Waffen oder Verletzungen erkennen, Fahrzeuge verfolgen und 3D-Modelle von Tatorten schnell und präzise rekonstruieren.

Forensische Ermittlungen beruhen zwar nach wie vor auf manueller Beobachtung und Fachwissen, doch dieser Prozess kann zeitaufwendig sein und konzentriert sich in der Regel jeweils auf einen Fall. Computer-Vision-Modelle wie Ultralytics YOLO11 bieten einen schnelleren und besser skalierbaren Ansatz. Diese Modelle können Tatorte untersuchen, wichtige Objekte identifizieren und Beweismittel mithilfe von Aufgaben der bildverarbeitenden KI wie Objekterkennung und Bildklassifizierung einordnen.

Anstatt Hunderte Stunden Überwachungsmaterial manuell zu sichten, kann ein Computer-Vision-Modell beispielsweise Videobilder automatisch durchsuchen und verdächtige Aktivitäten erkennen – etwa ungewöhnliche Bewegungen, Herumlungern oder zurückgelassene Gegenstände. Das Modell kann bestimmte Zeiträume und Orte für die Überprüfung durch Ermittler markieren und so den Zeit- und Arbeitsaufwand für die Suche nach relevanten Beweisen deutlich verringern.

Anwendungen von Vision AI in der Forensik#

Computer Vision verändert die Art und Weise, wie Ermittler visuelle Beweise sammeln und untersuchen. Hier erfährst du genauer, wie die Technologie heute in der forensischen Arbeit eingesetzt wird.

Überwachungsaufnahmen mit Computer Vision analysieren#

Eine der häufigsten Computer-Vision-Techniken für die Überwachung ist das Objekt-Tracking – dabei werden Personen, Fahrzeuge oder Gegenstände über mehrere Videobilder hinweg verfolgt. Anstatt für jede Situation manuell programmiert zu werden, lernen diese Systeme anhand von Videos aus der realen Welt und erkennen schnell, was als „normal“ gilt. So können sie ungewöhnliches Verhalten automatisch erkennen, etwa wenn sich jemand in einem ruhigen Bereich herumtreibt, ein Fahrzeug in einer Sperrzone auftaucht oder eine unbeaufsichtigte Tasche an einem öffentlichen Ort liegt.

Diese Technologie kann bei Ermittlungen hilfreich sein. Sagt beispielsweise ein Zeuge, dass er zwischen 11 und 13 Uhr an einer Kreuzung einen roten Pickup gesehen hat, kann Computer Vision stundenlanges CCTV-Material durchsuchen, alle Aufnahmen eines roten Pickups herausfiltern und Ermittlern die manuelle Sichtung des gesamten Materials ersparen. Indem Computer Vision Aufgaben automatisiert, die früher Stunden oder Tage dauerten, macht die Technologie sowohl die Live-Überwachung als auch die Auswertung von Beweismaterial schneller, intelligenter und effektiver.

Abb. 2: CCTV-Aufnahmen mit Vision AI analysieren und rote Pickups verfolgen (Quelle.)

KI bei der Untersuchung von Buschbränden einsetzen#

Nach Bränden zählt jede Minute, und physische Beweise sind oft beeinträchtigt oder zerstört. Computer-Vision-Technologien schließen diese Lücke, indem sie verschiedene visuelle Datenquellen analysieren, etwa Satellitenbilder, Drohnenaufnahmen, CCTV-Material und Wärmebilder, um den Ablauf der Ereignisse zu rekonstruieren.

Diese Werkzeuge können den Ursprung eines Feuers erkennen, mögliche Brandbeschleuniger identifizieren und die Aktivitäten von Personen oder Fahrzeugen in der Nähe des Tatorts verfolgen. In Verbindung mit Kriminaldatenbanken und Einsatzberichten kann das System Muster über verschiedene Regionen hinweg aufdecken, etwa wiederholt betroffene Brandorte, das Verhalten von Verdächtigen oder organisierte Brandstiftung.

Ein Beispiel aus der Praxis stammt aus New South Wales in Australien: Dort nutzte die Polizei während der Ermittlungen zu den Buschbränden von 2019 bis 2020 eine Computer-Vision-Plattform namens Insights. Die Plattform analysierte CCTV-Aufnahmen, Geodaten und Umweltdaten wie Windrichtung und Blitzschlagaufzeichnungen. Außerdem setzte sie Objekterkennung ein, um relevante visuelle Elemente wie Fahrzeuge oder Ausrüstung in großen Mengen von Überwachungsmaterial zu identifizieren.

Durch die Überlagerung dieser Erkenntnisse mit Mobilfunkstandortdaten und Karten konnten Ermittler menschliche Aktivitäten bestimmten Brandereignissen zuordnen und die Daten bei offiziellen Untersuchungen visuell darstellen. Dieser Ansatz beschleunigte die Ermittlungen.

Abb. 3: Ein forensischer Ermittler untersucht Brandschutt (Quelle.)

Tatortrekonstruktion mit Computer Vision#

Bei der 3D-Rekonstruktion in der Forensik werden Technologien wie Fotografie, Laserscanning, LiDAR und Computer Vision kombiniert, um detaillierte, maßstabsgetreue Tatortmodelle zu erstellen. Anhand dieser Rekonstruktionen können Ermittler die Position von Gegenständen, Blutspurenmuster und Flugbahnen von Geschossen präzise und interaktiv visualisieren – mit einer Genauigkeit, die herkömmliche 2D-Fotografien nicht bieten. Die Technologie verbessert Analysen und Gerichtspräsentationen, da sie virtuelle Rundgänge und präzise Messungen ermöglicht.

Neben laufenden Ermittlungen verändern auch 3D-Rekonstruktion und virtuelle Realität (VR) die forensische Ausbildung. Im akademischen Umfeld können Studierende VR-Headsets nutzen, um simulierte Tatorte zu erkunden, Beweismittel zu identifizieren und Techniken wie das Abnehmen von Fingerabdrücken und die Analyse von Blutspritzern zu üben. Dieser immersive Lernansatz vermittelt wichtige Ermittlungskompetenzen in einer sicheren und wiederholbaren Umgebung.

Abb. 4: Ein Student betrachtet den Tatort mit einem VR-Headset (Quelle.)

Bildverbesserung mit Vision AI#

Ein 19 Jahre alter Fall im indischen Kerala wurde kürzlich mit Hilfe einer KI-gestützten Bildverbesserung aufgeklärt. Ermittler sichteten alte Tatzeitfotos erneut und kombinierten Bildverarbeitung mit künstlicher Intelligenz, um Gesichtsmerkmale deutlicher herauszuarbeiten und aktualisierte Abbildungen der Verdächtigen zu erstellen. Eines der verbesserten Bilder ähnelte stark einer Person auf einem online veröffentlichten Hochzeitsfoto, was schließlich zum Durchbruch im Fall führte.

Dieser Fall zeigt anschaulich, wie moderne forensische Werkzeuge – insbesondere die Verbindung von KI mit herkömmlicher Bildverbesserung – Strafverfolgungsbehörden dabei helfen können, lange ungelöste Ermittlungen wieder aufzunehmen und abzuschließen. Indem diese Technologien verdeckte Details sichtbar machen oder Personen identifizieren, die sich im Laufe der Zeit stark verändert haben, erweisen sie sich als leistungsfähige Werkzeuge der digitalen Forensik.

Instanzsegmentierung zur Beweismittelsicherung einsetzen#

Die Instanzsegmentierung ist eine Computer-Vision-Aufgabe, bei der einzelne Objekte in einem Bild identifiziert und jeweils mit einer detaillierten Maske auf Pixelebene umrissen werden. So können Ermittler wichtige Beweisstücke präzise isolieren, selbst in unübersichtlichen oder komplexen Umgebungen.

Angenommen, an einem Tatort sind mehrere Fußspuren oder sich überlagernde Reifenspuren im Schmutz oder Schnee zu sehen – die Instanzsegmentierung kann jede Spur einzeln unterscheiden und umranden. Dadurch lassen sich Bewegungsmuster, Fahrwege oder Fluchtwege von Verdächtigen leichter analysieren, ohne dass störende Hintergrundelemente ablenken.

Neben der Tatortanalyse wird die Instanzsegmentierung auch bei forensischen Aufnahmen eingesetzt. In einer Studie des Instituts für Rechtsmedizin Zürich nutzten Forscher diese Technik, um verschiedene Wundarten zu identifizieren. Sie trainierten ein Bildverarbeitungsmodell mit 1.753 forensischen Bildern, auf denen insgesamt 4.666 Wunden zu sehen waren.

Das trainierte Modell konnte sieben Arten von Verletzungen erkennen und klassifizieren, darunter Stichwunden und Verbrennungen. Das Beispiel zeigte, wie bildverarbeitende KI Ermittlerinnen und Ermittler unterstützen kann, indem sie Verletzungsmuster schnell und präzise analysiert, Zeit spart und die Konsistenz bei der Auswertung forensischer Bilder verbessert.

Automatische Kennzeichenerkennung mit Vision AI#

Die automatische Kennzeichenerkennung (ANPR), auch als Kennzeichenerkennung (LPR) bezeichnet, ist eine Computer-Vision-Anwendung, die Kennzeichen auf Bildern oder Videoaufnahmen automatisch erkennt, ausliest und extrahiert. Dabei kommen üblicherweise Computer-Vision-Modelle wie YOLO11 zum Einsatz, um das Kennzeichen im Bild zu lokalisieren.

Sobald das Kennzeichen erkannt wurde, wird optische Zeichenerkennung (OCR) eingesetzt, um die alphanumerischen Zeichen auszulesen. Diese Informationen können anschließend mit Datenbanken abgeglichen werden, um den Fahrzeughalter zu ermitteln oder frühere Bewegungen des Fahrzeugs nachzuverfolgen. ANPR ist besonders bei Ermittlungen zu vermissten Personen, Fahrzeugdiebstahl, Verkehrsverstößen oder Fahrerflucht nützlich.

Bei der Suche nach einer vermissten Person kann die Polizei beispielsweise das Kennzeichen in ein LPR-System eingeben. Taucht das Fahrzeug auf einer Überwachungskamera auf, kann das System seinen Standort automatisch melden und den Einsatzkräften helfen, schnell zu reagieren. LPR spielt auch bei Fällen wie gestohlenen Fahrzeugen oder Fahrerflucht eine wichtige Rolle, da die Technologie über vernetzte Überwachungsnetze eine schnelle und präzise Nachverfolgung ermöglicht.

Abb. 5. Nummernschilderkennung mit Ultralytics YOLO11 (Quelle).

Vor- und Nachteile des KI-Einsatzes in der Forensik#

KI und Computer Vision bieten mehrere entscheidende Vorteile, die Effizienz, Zugänglichkeit und Zuverlässigkeit forensischer Untersuchungen verbessern. Hier sind einige der wichtigsten Vorteile:

• Analyse aus der Ferne: Computer Vision ermöglicht forensischen Ermittlerinnen und Ermittlern, Tatorte und Beweismittel wie Bilder, Videos und 3D-Modelle von überall aus zu betrachten, ohne persönlich vor Ort sein zu müssen.
• Langzeitarchive: Von Bildverarbeitungssystemen verarbeitete Daten lassen sich gut ordnen und einfach durchsuchen. Bei Bedarf können sie später erneut aufgerufen und mithilfe verbesserter Modelle in älteren Fällen neu analysiert werden.
• Konsistenz: Anders als Menschen, die visuelle Informationen je nach Erfahrung unterschiedlich interpretieren können, wenden Computer-Vision-Modelle jedes Mal dieselben Regeln an. Das sorgt für gleichmäßigere und konsistentere Analysen.

Trotz ihres Potenzials bringt Computer Vision in der Forensik auch einige Herausforderungen mit sich, die du beachten solltest. Hier sind einige der wichtigsten:

• Qualität der Eingabedaten: Die Leistung von Bildverarbeitungsmodellen hängt stark von der Qualität der eingehenden Daten ab. Computer-Vision-Lösungen können wichtige Details übersehen oder falsch interpretieren, wenn Bilder unscharf, schlecht beleuchtet oder niedrig aufgelöst sind. Eine geeignete Strategie zur Datenerweiterung beim Training kann dem teilweise entgegenwirken.
• Schwierigkeiten mit unbekannten Daten: Computer-Vision-Modelle können Probleme bekommen, wenn sie auf etwas Neues stoßen – etwa auf ungewöhnliche Objekte oder Tatorte, die sich von den Trainingsdaten unterscheiden. Das hängt eng mit der Datenverschiebung zusammen.
• Rechtliche Herausforderungen: Der Einsatz von Computer Vision bei Ermittlungen kann rechtliche Fragen aufwerfen, etwa ob Beweismittel vor Gericht zulässig sind, wie vertraulich die Daten sind und wie transparent die Entscheidungen des Systems ausfallen.

Die wichtigsten Erkenntnisse#

Computer Vision entwickelt sich ständig weiter, verändert aber bereits heute die Arbeit in der forensischen Wissenschaft. Von der Erkennung und Umrandung kleiner Beweisstücke mithilfe der Instanzsegmentierung über den Aufbau von 3D-Modellen eines Tatorts bis hin zur Bildverbesserung unterstützt die Technologie Ermittlerinnen und Ermittler in jeder Phase ihrer Arbeit.

In Zukunft wird Computer Vision wahrscheinlich noch enger mit KI und maschinellem Lernen zusammenarbeiten, um Muster schneller zu erkennen und mithilfe früherer Falldaten bessere Vorhersagen zu treffen. Mit dem technologischen Fortschritt werden immer neue und bessere Möglichkeiten zur Aufklärung von Straftaten entstehen.

Tritt unserer Community und unserem GitHub-Repository bei, um mehr über Computer Vision zu erfahren. Entdecke auf unseren Lösungsseiten Anwendungsbereiche wie KI in der Fertigung und Computer Vision in der Landwirtschaft. Informiere dich über unsere Lizenzoptionen und beginne noch heute mit der Entwicklung von Computer-Vision-Anwendungen!