La vision par ordinateur pour la science médico-légale : Détecter des indices cachés

Les enquêtes dépendent fortement des preuves physiques collectées sur les scènes de crime, et une grande partie de ces preuves est visuelle. Traditionnellement, le rassemblement de ces indices se faisait manuellement : photographier la scène, dessiner des plans, étiqueter les objets et se fier à l'œil exercé de l'enquêteur pour repérer les détails subtils.

Au fil des années, des outils comme les caméras thermiques et les scanners d'empreintes digitales ont soutenu ce travail et joué un rôle clé dans la résolution des crimes. Mais aujourd'hui, grâce à l'IA et à la vision par ordinateur, les enquêtes deviennent plus avancées. Les machines peuvent aider à analyser les preuves visuelles plus rapidement, avec plus de précision et à une échelle beaucoup plus vaste.

En particulier, la vision par ordinateur est une technologie percutante qui permet aux machines de voir et de comprendre les images et les vidéos. Ces systèmes peuvent traiter et analyser rapidement de grandes quantités de données visuelles, aidant ainsi les enquêteurs à résoudre les crimes plus vite.

Les avantages des outils pilotés par l'IA dans les enquêtes ont poussé le marché mondial des outils de criminalistique numérique basés sur l'IA à être évalué à 4,98 milliards de dollars en 2025, et il devrait atteindre 17,7 milliards de dollars d'ici 2031.

Fig 1. Marché mondial de la criminalistique numérique pilotée par l'IA (Source).

Dans cet article, nous explorerons comment la vision par ordinateur peut être utilisée dans les enquêtes forensiques et comment elle peut aider à identifier, analyser et interpréter les preuves visuelles.

Link to this sectionLe rôle de l'IA et de la vision par ordinateur en criminalistique#

La vision par ordinateur permet aux machines d'interpréter les informations visuelles du monde réel et de prendre des décisions basées sur cette compréhension. Plus précisément, en science forensique, l'IA peut être utilisée pour détecter des éléments comme des armes ou des blessures, suivre des véhicules et même reconstruire des modèles 3D de scènes de crime avec une rapidité et une précision impressionnantes.

Bien que les enquêtes forensiques reposent encore sur l'observation manuelle et l'expertise, ce processus peut être long et généralement limité à une affaire à la fois. Des modèles de vision par ordinateur comme Ultralytics YOLO11 offrent une approche plus rapide et plus évolutive. Ces modèles peuvent scanner des scènes, identifier des objets clés et classer des preuves en utilisant des tâches de Vision AI comme la détection d'objets et la classification d'images.

Par exemple, au lieu de visionner manuellement des centaines d'heures d'images de surveillance, un modèle de vision par ordinateur peut automatiquement scanner des flux vidéo pour détecter des activités suspectes, comme des mouvements inhabituels, le fait de traîner sur place ou des objets abandonnés. Il peut marquer des périodes et des lieux spécifiques pour que les enquêteurs les examinent, réduisant considérablement le temps et les efforts nécessaires pour trouver des preuves pertinentes.

Link to this sectionApplications de la Vision AI en criminalistique#

La vision par ordinateur change la façon dont les enquêteurs collectent et étudient les preuves visuelles. Voici un aperçu plus détaillé de la manière dont elle est utilisée aujourd'hui dans le travail forensique.

Link to this sectionAnalyse des images de surveillance grâce à la vision par ordinateur#

L'une des techniques de vision par ordinateur les plus courantes utilisées dans la surveillance est le suivi d'objets, qui consiste à suivre des personnes, des véhicules ou des articles à travers des images vidéo. Au lieu d'être programmés manuellement pour chaque situation, ces systèmes apprennent à partir de vidéos réelles et comprennent rapidement ce qui est considéré comme « normal ». De cette façon, ils peuvent repérer automatiquement des comportements inhabituels, comme quelqu'un qui traîne dans une zone calme, un véhicule dans une zone restreinte ou un sac laissé sans surveillance dans un espace public.

Cette technologie peut être utile pendant les enquêtes. Par exemple, si un témoin affirme avoir vu un pick-up rouge à une intersection entre 11 h et 13 h, la vision par ordinateur peut scanner des heures d'images de CCTV, extraire chaque occurrence d'un camion rouge et éviter aux enquêteurs de tout examiner manuellement. En automatisant ce qui prenait auparavant des heures ou des jours, la vision par ordinateur rend la surveillance en direct et l'examen des preuves plus rapides, plus intelligents et plus efficaces.

Fig 2. Utilisation de la Vision AI pour analyser des images CCTV et suivre des pick-ups rouges (source).

Link to this sectionUtilisation de l'IA dans les enquêtes sur les feux de forêt#

Au lendemain d'incidents liés à des incendies, le temps est critique et les preuves physiques sont souvent compromises ou détruites. Les technologies de vision par ordinateur aident à combler cette lacune en analysant diverses sources de données visuelles, telles que l'imagerie satellite, les images de drones, les CCTV et les scans thermiques, afin de reconstruire la séquence des événements.

Ces outils peuvent détecter l'origine d'un incendie, identifier des accélérants potentiels et suivre l'activité humaine ou véhiculaire à proximité de la scène. Lorsqu'ils sont combinés à des bases de données criminelles et à des rapports d'incident, le système peut révéler des modèles, comme des lieux d'incendie répétés, le comportement de suspects ou des incendies criminels coordonnés, à travers différentes régions.

Un exemple concret provient de Nouvelle-Galles du Sud, en Australie, où la police a utilisé une plateforme de vision par ordinateur appelée Insights lors d'enquêtes sur les feux de forêt de 2019–2020. La plateforme a analysé des images de CCTV, des données géospatiales et des entrées environnementales telles que la direction du vent et les enregistrements de coups de foudre. Elle a également utilisé la reconnaissance d'objets pour identifier des éléments visuels pertinents, tels que des véhicules ou de l'équipement, dans de vastes quantités d'images de surveillance.

En superposant ces informations avec des données de géolocalisation de téléphones portables et des cartes, les enquêteurs ont pu lier l'activité humaine à des événements d'incendie spécifiques et présenter visuellement ces données lors d'enquêtes formelles. Cette approche a accéléré le processus d'enquête.

Fig 3. Un enquêteur forensique examinant des débris d'incendie (source).

Link to this sectionReconstruction d'une scène de crime à l'aide de la vision par ordinateur#

La reconstruction 3D en criminalistique combine des technologies comme la photographie, le scan laser, le LiDAR et la vision par ordinateur pour créer des modèles détaillés et à l'échelle de scènes de crime. Ces reconstructions aident les enquêteurs à visualiser le placement des objets, les projections de sang et les trajectoires des balles avec un niveau de précision et d'interactivité que les photographies 2D traditionnelles ne peuvent pas offrir. Cette technologie améliore l'analyse et les présentations au tribunal en permettant des visites virtuelles et des mesures précises.

Au-delà des enquêtes actives, la reconstruction 3D et la réalité virtuelle (RV) réinventent également l'éducation forensique. Dans les cadres universitaires, les étudiants peuvent utiliser des casques de RV pour explorer des scènes de crime simulées, identifier des preuves et pratiquer des techniques comme le scan d'empreintes digitales et l'analyse de projections de sang. Cette approche d'apprentissage immersive développe des compétences d'investigation essentielles dans un environnement sûr et répétable.

Fig 4. Un étudiant examinant la scène de crime avec un casque de réalité virtuelle (source).

Link to this sectionAmélioration d'image grâce à la Vision AI#

Une affaire vieille de 19 ans au Kerala, en Inde, a été récemment résolue grâce à l'amélioration d'image assistée par l'IA. Les enquêteurs ont revisité d'anciennes photographies de l'époque du crime et ont utilisé une combinaison de traitement d'image et d'intelligence artificielle pour clarifier les traits du visage et générer des portraits actualisés des suspects. Une image améliorée ressemblait étroitement à une personne vue sur une photo de mariage partagée en ligne, ce qui a finalement mené à une avancée dans l'affaire.

Cette affaire est un bon exemple de la manière dont les outils forensiques modernes, en particulier l'intégration de l'IA avec l'amélioration d'image traditionnelle, peuvent aider les forces de l'ordre à revisiter et résoudre des enquêtes en suspens depuis longtemps. En révélant des détails obscurs ou en identifiant des individus qui ont considérablement changé au fil du temps, ces technologies s'avèrent être des atouts puissants dans le domaine de la criminalistique numérique.

Link to this sectionUtilisation de la segmentation d'instance pour l'extraction de preuves#

La segmentation d'instance est une tâche de vision par ordinateur qui peut identifier des objets individuels dans une image et contourner chacun d'eux avec un masque détaillé au niveau du pixel. Cela aide les enquêteurs à isoler des éléments de preuve clés avec précision, même dans des environnements désordonnés ou complexes.

Disons qu'il y a une scène de crime où plusieurs jeux d'empreintes de pas ou des traces de pneus qui se chevauchent sont visibles dans la terre ou la neige - la segmentation d'instance peut distinguer et contourner chacun d'eux séparément. Cela facilite l'analyse des modèles de mouvement, des trajectoires de véhicules ou des déplacements des suspects sans distraction causée par l'encombrement de l'arrière-plan.

Au-delà de l'analyse de scène, la segmentation d'instance est également appliquée à l'imagerie forensique. Dans une étude menée par l'Institut de médecine forensique de Zurich, des chercheurs ont utilisé cette technique pour identifier différents types de blessures. Ils ont entraîné un modèle de vision sur 1 753 images forensiques contenant 4 666 blessures.

Le modèle entraîné a été capable de détecter et de classer sept types de blessures, y compris des plaies par arme blanche et des brûlures. Cela a démontré comment la Vision AI peut soutenir les enquêteurs en analysant rapidement et précisément les modèles de blessures, ce qui permet de gagner du temps et d'améliorer la cohérence dans les évaluations d'images forensiques.

Link to this sectionReconnaissance automatique des plaques d'immatriculation activée par la Vision AI#

La reconnaissance automatique des plaques d'immatriculation (ANPR), ou reconnaissance de plaques d'immatriculation (LPR), est une application de vision par ordinateur axée sur la détection, la lecture et l'extraction automatiques des numéros de plaque d'immatriculation à partir d'images ou d'images vidéo. Cela implique généralement l'utilisation de modèles de vision par ordinateur, comme YOLO11, pour la détection d'objets afin de localiser la plaque d'immatriculation dans une image.

Une fois la plaque identifiée, la reconnaissance optique de caractères (OCR) est appliquée pour extraire les caractères alphanumériques. Ces informations peuvent ensuite être recoupées avec des bases de données pour identifier le propriétaire du véhicule ou suivre ses déplacements passés. L'ANPR est particulièrement utile dans les enquêtes impliquant des personnes disparues, le vol de véhicules, les infractions au code de la route ou les délits de fuite.

Par exemple, dans une affaire de personne disparue, les forces de l'ordre peuvent saisir le numéro de plaque d'immatriculation dans un système LPR. Si le véhicule apparaît sur une caméra de surveillance, le système peut signaler automatiquement sa localisation, aidant ainsi les agents à réagir rapidement. Le LPR joue également un rôle clé dans des affaires comme le vol de véhicules ou les délits de fuite en permettant un suivi rapide et précis via des réseaux de surveillance intégrés.

Fig 5. Détection de plaques d'immatriculation avec YOLO11 (source).

Link to this sectionAvantages et inconvénients de l'utilisation de l'IA en criminalistique#

L'IA et la vision par ordinateur offrent plusieurs avantages clés qui améliorent l'efficacité, l'accessibilité et la fiabilité des enquêtes forensiques. Voici quelques-uns des principaux avantages à prendre en compte :

• Analyse à distance : La vision par ordinateur permet aux enquêteurs forensiques de voir des scènes de crime et des preuves, telles que des images, des vidéos et des modèles 3D, depuis n'importe où sans être présents physiquement.
• Archives à long terme : Les données traitées par les systèmes de vision peuvent être bien organisées et facilement consultables. Si nécessaire à l'avenir, elles peuvent être revisitées et réanalysées en utilisant des modèles améliorés sur des affaires plus anciennes.
• Cohérence : Contrairement aux humains, qui peuvent interpréter les informations visuelles différemment selon leur expérience, les modèles de vision par ordinateur appliquent les mêmes règles à chaque fois, ce qui permet une analyse plus cohérente et uniforme.

Malgré son potentiel, la vision par ordinateur en criminalistique comporte également quelques défis à garder à l'esprit. Voici quelques-uns des principaux :

• Qualité des entrées : Les modèles de vision reposent fortement sur la qualité des données qu'ils reçoivent. Les solutions de vision par ordinateur peuvent manquer ou mal interpréter des détails importants si les images sont floues, mal éclairées ou de basse résolution. Cela peut être atténué en appliquant la stratégie d'augmentation de données appropriée.
• Difficulté avec les données inédites : Les modèles de vision par ordinateur peuvent rencontrer des difficultés lorsqu'ils font face à quelque chose de nouveau - comme des objets inhabituels ou des scènes de crime qui diffèrent des données sur lesquelles ils ont été entraînés. C'est ce qu'on appelle le « drift ».
• Défis juridiques : L'utilisation de la vision par ordinateur dans les enquêtes peut soulever des questions juridiques, telles que l'admissibilité des preuves au tribunal, le respect de la confidentialité des données et la transparence des décisions du système.

Link to this sectionPoints clés#

La vision par ordinateur continue d'évoluer, mais elle transforme déjà le fonctionnement de la science forensique. De la détection et du contourage de petits éléments de preuve via la segmentation d'instance à la construction de modèles de scènes de crime 3D et à l'amélioration de documents, elle soutient les enquêteurs à chaque étape de leur travail.

À l'avenir, la vision par ordinateur travaillera probablement encore plus étroitement avec l'IA et l'apprentissage automatique pour repérer des modèles plus rapidement et faire de meilleures prédictions en utilisant les données d'affaires passées. À mesure que la technologie continue de s'améliorer, elle apportera de nouveaux et meilleurs moyens de résoudre les crimes.

Rejoins notre communauté et notre dépôt GitHub pour en savoir plus sur la vision par ordinateur. Explore des applications comme l'IA dans la fabrication et la vision par ordinateur dans l'agriculture sur nos pages de solutions. Découvre nos options de licence et commence à construire avec la vision par ordinateur dès aujourd'hui !