Vision par ordinateur pour la police scientifique : Détection d'indices cachés

Abirami Vina

5 minutes de lecture

4 juillet 2025

Explorer l'impact de la vision par ordinateur sur la science médico-légale en identifiant les preuves, en analysant les séquences et en accélérant les enquêtes criminelles.

Les enquêtes dépendent fortement des preuves matérielles recueillies sur les scènes de crime, et une grande partie de ces preuves sont visuelles. Traditionnellement, la collecte de ces indices se fait manuellement, en photographiant la scène, en dessinant des plans, en étiquetant les objets et en se fiant à l'œil exercé de l'enquêteur pour repérer les détails subtils.

Au fil des ans, des outils tels que 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 sont de plus en plus poussées. Les machines peuvent aider à analyser les preuves visuelles plus rapidement, avec plus de précision et à plus grande échelle.

En particulier, la vision par ordinateur est une technologie importante 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 plus rapidement les crimes.

Les avantages des outils pilotés par l'IA dans les enquêtes ont poussé le marché mondial des outils d'investigation numérique pilotés par l'IA à être évalué à 4,98 milliards de dollars en 2025 et 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 verrons comment la vision par ordinateur peut être utilisée dans les enquêtes médico-légales et comment elle peut aider à identifier, analyser et interpréter les preuves visuelles.

Le rôle de l'IA et de la vision par ordinateur dans la criminalistique

La vision par ordinateur permet aux machines d'interpréter les informations visuelles du monde réel et de prendre des décisions sur la base de cette compréhension. Plus précisément, dans le domaine de la police scientifique, l'IA peut être utilisée pour détecter des éléments tels que 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. 

Si les enquêtes médico-légales reposent toujours sur l'observation manuelle et les connaissances d'experts, ce processus peut prendre beaucoup de temps et se concentrer sur un seul cas à la fois. Les modèles de vision artificielle comme Ultralytics YOLO11 offrent une approche plus rapide et plus évolutive. Ces modèles peuvent analyser des scènes, identifier des objets clés et classer des preuves à l'aide de tâches de vision artificielle telles que la détection d'objets et la classification d'images.

Par exemple, au lieu d'examiner manuellement des centaines d'heures d'images de surveillance, un modèle de vision par ordinateur peut automatiquement analyser les flux vidéo pour détecter les activités suspectes, comme les mouvements inhabituels, la flânerie ou les objets laissés sur place. Il peut signaler aux enquêteurs des périodes et des lieux spécifiques, ce qui réduit considérablement le temps et les efforts nécessaires pour trouver des preuves pertinentes.

Applications de l'intelligence artificielle dans le domaine de la criminalistique 

La vision par ordinateur modifie la manière dont les enquêteurs recueillent et étudient les preuves visuelles. Voici un aperçu de la manière dont elle est utilisée aujourd'hui en criminalistique.

Analyse de séquences de surveillance à l'aide de la vision par ordinateur

L'une des techniques de vision par ordinateur les plus couramment utilisées dans le domaine de la surveillance est le suivi d'objets, c'est-à-dire le suivi de personnes, de véhicules ou d'objets sur des images vidéo. Au lieu d'être programmés manuellement pour chaque situation, ces systèmes apprennent à partir de vidéos du monde réel et identifient rapidement ce qui est "normal". Ils peuvent ainsi repérer automatiquement les comportements inhabituels, comme une personne qui traîne dans une zone calme, un véhicule dans une zone interdite ou un sac laissé sans surveillance dans un espace public.

Cette technologie peut s'avérer utile lors des enquêtes. Par exemple, si un témoin affirme avoir vu une camionnette rouge à un carrefour entre 11 heures et 13 heures, la vision par ordinateur peut analyser des heures d'images de vidéosurveillance, repérer toutes les occurrences d'une camionnette rouge et éviter aux enquêteurs d'avoir à les examiner manuellement. En automatisant ce qui prenait 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 Vision AI pour analyser des images de vidéosurveillance et suivre des camionnettes rouges(source).

Utilisation de l'IA dans les enquêtes sur les feux de brousse

À la suite d'un incendie, le temps est compté et les preuves matérielles sont souvent compromises ou détruites. Les technologies de vision par ordinateur contribuent à combler cette lacune en analysant diverses sources de données visuelles, telles que l'imagerie satellite, les images de drones, la vidéosurveillance et les balayages thermiques, afin de reconstituer la séquence des événements.

Ces outils permettent de détecter l'origine d'un incendie, d'identifier les accélérateurs potentiels et de suivre l'activité humaine ou automobile à proximité du lieu de l'incendie. Combiné à des bases de données criminelles et à des rapports d'incidents, le système peut mettre en évidence des schémas, comme des lieux d'incendie répétés, des comportements suspects ou des incendies criminels coordonnés, dans différentes régions.

Un exemple concret nous vient de Nouvelle-Galles du Sud, en Australie, où la police a utilisé une plateforme de vision par ordinateur appelée Insights pendant les enquêtes sur les feux de brousse de 2019-2020. La plateforme a analysé des images de vidéosurveillance, des données géospatiales et des données 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 des équipements, dans de grandes quantités d'images de surveillance.

En superposant ces informations aux données de géolocalisation des téléphones portables et aux cartes, les enquêteurs ont pu établir un lien entre l'activité humaine et des incendies spécifiques et présenter visuellement ces données lors des enquêtes officielles. Cette approche a permis d'accélérer le processus d'enquête.

Fig. 3. Un enquêteur de la police scientifique examine des débris d'incendie(source).

Reconstruction d'une scène de crime à l'aide de la vision par ordinateur

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

Au-delà des enquêtes actives, la reconstruction en 3D et la réalité virtuelle (RV) sont également en train de réimaginer l'enseignement de la criminalistique. Dans les établissements d'enseignement, les étudiants peuvent utiliser des casques VR pour explorer des scènes de crime simulées, identifier des preuves et s'exercer à des techniques telles que la numérisation des empreintes digitales et l'analyse des éclaboussures de sang. Cette approche immersive de l'apprentissage permet d'acquérir des compétences fondamentales en matière d'enquête dans un environnement sûr et reproductible.

Fig. 4. Un étudiant observe la scène de crime à l'aide d'un casque de RV(source).

Amélioration des images à l'aide de Vision AI

Une affaire vieille de 19 ans, survenue au Kerala, en Inde, a récemment été résolue grâce à l'amélioration des images par l'IA. Les enquêteurs ont réexaminé de vieilles photographies datant de l'époque du crime et ont utilisé une combinaison de traitement d'images et d'intelligence artificielle pour clarifier les traits du visage et générer des ressemblances actualisées des suspects. L'une des images améliorées ressemblait étroitement à une personne figurant sur une photo de mariage partagée en ligne, ce qui a permis de faire avancer l'affaire.

Cette affaire est un bon exemple de la manière dont les outils modernes de criminalistique, en particulier l'intégration de l'IA à l'amélioration traditionnelle des images, peuvent aider les forces de l'ordre à réexaminer et à résoudre des enquêtes en cours depuis longtemps. En révélant des détails cachés ou en identifiant des personnes qui ont beaucoup changé au fil du temps, ces technologies s'avèrent être de puissants atouts dans le domaine de la criminalistique numérique.

Utilisation de la segmentation des instances pour l'extraction de preuves

La segmentation des instances est une tâche de vision par ordinateur qui permet d'identifier des objets individuels dans une image et de les délimiter à l'aide d'un masque détaillé au niveau des pixels. Cela permet aux enquêteurs d'isoler avec précision des éléments de preuve clés, même dans des environnements désordonnés ou complexes.

Imaginons une scène de crime où plusieurs séries d'empreintes de pas ou de traces de pneus se chevauchant sont visibles dans la terre ou la neige : la segmentation d'instance permet de distinguer et de délimiter chacune d'entre elles séparément. Il est ainsi plus facile d'analyser les modèles de mouvement, les trajectoires de véhicules ou les trajectoires de suspects sans être distrait par l'arrière-plan.

Au-delà de l'analyse des scènes, la segmentation des instances est également appliquée à l'imagerie médico-légale. Dans une étude réalisée par l'Institut de médecine légale de Zurich, les chercheurs ont utilisé cette technique pour identifier différents types de blessures. Ils ont entraîné un modèle de vision sur 1 753 images médico-légales contenant 4 666 blessures. 

Le modèle formé a été capable de détecter et de classer sept types de blessures, dont des coups de couteau et des brûlures. Il montre comment Vision AI peut aider les enquêteurs en analysant rapidement et précisément les schémas de blessures, en gagnant du temps et en améliorant la cohérence des évaluations d'images médico-légales.

Reconnaissance automatique des plaques d'immatriculation grâce à Vision AI

La reconnaissance automatique des plaques d' immatriculation (RAPI), ou la reconnaissance des plaques d'immatriculation (RPA), est une application de vision par ordinateur axée sur la détection, la lecture et l'extraction automatiques des numéros de plaques d'immatriculation à partir d'images ou de séquences vidéo. Cela implique généralement l'utilisation de modèles de vision artificielle, tels que 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 afin d'identifier le propriétaire du véhicule ou de suivre ses déplacements antérieurs. La RAPI est particulièrement utile dans les enquêtes portant sur des personnes disparues, des vols de véhicules, des infractions au code de la route ou des délits de fuite.

Par exemple, dans le cas d'une personne disparue, les forces de l'ordre peuvent saisir le numéro de la plaque d'immatriculation dans un système de RPM. Si le véhicule apparaît sur une caméra de surveillance, le système peut automatiquement signaler son emplacement, ce qui permet aux agents de réagir rapidement. La RPM joue également un rôle clé dans les affaires de véhicules volés ou de délits de fuite en permettant un suivi rapide et précis grâce à des réseaux de surveillance intégrés.

Fig. 5. Détection des plaques d'immatriculation à l'aide de YOLO11(source).

Avantages 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 médico-légales. Voici quelques-uns des principaux avantages à prendre en compte :

  • Analyse à distance: La vision par ordinateur permet aux enquêteurs de la police scientifique de visualiser des scènes de crime et des éléments de preuve, tels que des images, des vidéos et des modèles 3D, où qu'ils se trouvent et sans être sur place.
  • Archives à long terme: Les données traitées par les systèmes de vision peuvent être bien organisées et facilement consultables. En cas de besoin, elles peuvent être réexaminées et réanalysées à l'aide de modèles améliorés sur des cas plus anciens.
  • Cohérence: Contrairement aux humains, qui peuvent interpréter les informations visuelles différemment en fonction de leur expérience, les modèles de vision par ordinateur appliquent les mêmes règles à chaque fois, ce qui permet une analyse plus cohérente et plus uniforme.

Malgré son potentiel, la vision par ordinateur dans le domaine de la criminalistique s'accompagne également de quelques défis à relever. En voici les principaux :

  • Qualité des données: Les modèles de vision dépendent fortement de 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 faible résolution. Il est possible d'atténuer ce problème en appliquant la bonne stratégie d'augmentation des données.
  • Difficultés liées à des données inédites: Les modèles de vision par ordinateur peuvent rencontrer des difficultés lorsqu'ils sont confrontés à quelque chose de nouveau - comme des objets inhabituels ou des scènes de crime qui diffèrent des données sur lesquelles ils ont été formés. C'est ce qu'on appelle la "dérive".
  • Défis juridiques: L'utilisation de la vision par ordinateur dans les enquêtes peut soulever des questions juridiques, telles que la recevabilité des preuves devant les tribunaux, le degré de confidentialité des données et la transparence des décisions du système.

Principaux enseignements

La vision par ordinateur est encore en pleine évolution, mais elle transforme déjà le fonctionnement de la police scientifique. Qu'il s'agisse de détecter et de délimiter de petits éléments de preuve par la segmentation d'instances, de construire des modèles de scène de crime en 3D ou d'améliorer des documents, elle aide 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 plus rapidement les schémas et faire de meilleures prédictions en utilisant les données d'affaires antérieures. À mesure que la technologie s'améliorera, elle apportera de nouvelles et meilleures façons de résoudre les crimes.

Rejoignez notre communauté et notre dépôt GitHub pour en savoir plus sur la vision par ordinateur. Explorez des applications telles que l 'IA dans la fabrication et la vision par ordinateur dans l'agriculture sur nos pages de solutions. Consultez nos options de licence et commencez à construire avec la vision par ordinateur dès aujourd'hui !

Construisons ensemble le futur
de l'IA !

Commencez votre voyage avec l'avenir de l'apprentissage automatique

Commencer gratuitement
Lien copié dans le presse-papiers