Vision par ordinateur et criminalistique : détecter les indices cachés

Les enquêtes reposent largement sur les preuves matérielles recueillies sur les scènes de crime, et une grande partie de ces preuves est visuelle. Traditionnellement, la collecte de ces indices était manuelle : photographier la scène, en dessiner la disposition, étiqueter les objets et compter sur l’œil exercé de l’enquêteur pour repérer les détails subtils.

Au fil des ans, 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, plus précisément et à bien plus grande échelle.

Plus précisément, la vision par ordinateur est une technologie puissante 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 d’enquête fondés sur l’IA ont fait passer la valeur du marché mondial des outils de criminalistique numérique fondés sur l’IA à 4,98 milliards de dollars en 2025, et elle devrait atteindre 17,7 milliards de dollars d’ici 2031.

Fig. 1. Marché mondial de la criminalistique numérique fondée sur l’IA (source).

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

Le 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 en fonction de cette compréhension. Plus précisément, en criminalistique, l’IA peut servir à détecter des éléments comme des armes ou des blessures, à suivre des véhicules et même à reconstruire des modèles 3D de scènes de crime avec une rapidité et une précision remarquables.

Même si les enquêtes criminalistiques reposent encore sur l’observation manuelle et l’expertise, ce processus peut prendre beaucoup de temps et se concentre généralement sur un seul dossier à la fois. Les modèles de vision par ordinateur comme Ultralytics YOLO11 offrent une approche plus rapide et plus évolutive. Ces modèles peuvent parcourir les scènes, identifier les objets clés et classer les preuves à l’aide de tâches de Vision AI comme la détection d’objets et la classification d’images.

Par exemple, au lieu d’examiner manuellement des centaines d’heures de vidéos de surveillance, un modèle de vision par ordinateur peut analyser automatiquement les flux vidéo pour détecter des activités suspectes, comme des mouvements inhabituels, une présence prolongée ou des objets abandonnés. Il peut signaler les périodes et les lieux précis que les enquêteurs doivent examiner, réduisant considérablement le temps et les efforts nécessaires pour trouver les preuves pertinentes.

Applications de Vision AI en criminalistique#

La vision par ordinateur transforme la manière dont les enquêteurs recueillent et étudient les preuves visuelles. Voici comment elle est utilisée aujourd’hui dans le travail criminalistique.

Analyser les vidéos de surveillance avec la vision par ordinateur#

L’une des techniques de vision par ordinateur les plus courantes utilisées pour la surveillance est le suivi d’objets, qui consiste à suivre des personnes, des véhicules ou des objets d’une image vidéo à l’autre. 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 reste dans une zone calme, un véhicule dans une zone interdite ou un sac 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 analyser des heures de vidéos de vidéosurveillance, repérer chaque apparition d’un camion rouge et éviter aux enquêteurs de tout visionner manuellement. En automatisant une tâche qui prenait auparavant des heures ou des jours, la vision par ordinateur accélère et améliore à la fois la surveillance en direct et l’examen des preuves.

Fig. 2. Utilisation de Vision AI pour analyser des vidéos de vidéosurveillance et suivre des pick-up rouges (source).

Utiliser l’IA dans les enquêtes sur les feux de végétation#

Après des incendies, chaque minute compte et les preuves matérielles sont souvent altérées ou détruites. Les technologies de vision par ordinateur comblent cette lacune en analysant diverses sources de données visuelles, comme les images satellite, les vidéos de drones, les images de vidéosurveillance et les relevés thermiques, afin de reconstituer la chronologie des événements.

Ces outils peuvent détecter l’origine d’un incendie, identifier d’éventuels accélérants et suivre l’activité humaine ou les véhicules à proximité de la scène. Associé aux bases de données criminelles et aux rapports d’incident, le système peut révéler des tendances, comme des lieux d’incendie récurrents, le comportement de suspects ou des incendies volontaires coordonnés, dans différentes régions.

Un exemple concret vient de Nouvelle-Galles du Sud, en Australie, où la police a utilisé une plateforme de vision par ordinateur appelée Insights lors des enquêtes sur les feux de végétation de 2019-2020. La plateforme a analysé des vidéos de vidéosurveillance, des données géospatiales et des données environnementales telles que la direction du vent et les relevés d’impacts de foudre. Elle a également utilisé la reconnaissance d’objets pour identifier des éléments visuels pertinents, comme des véhicules ou du matériel, dans de vastes quantités de vidéos de surveillance.

En superposant ces informations aux données de géolocalisation des téléphones mobiles et aux cartes, les enquêteurs ont pu relier l’activité humaine à des incendies précis et présenter ces données visuellement lors d’enquêtes judiciaires officielles. Cette approche a accéléré le processus d’enquête.

Fig. 3. Un enquêteur criminalistique examinant des débris d’incendie (source).

Reconstituer une scène de crime avec la vision par ordinateur#

La reconstruction 3D en criminalistique associe des technologies comme la photographie, le balayage laser, le LiDAR et la vision par ordinateur pour créer des modèles détaillés et à l’échelle des scènes de crime. Ces reconstitutions aident les enquêteurs à visualiser la disposition 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 en cours, la reconstruction 3D et la réalité virtuelle (VR) réinventent également la formation en criminalistique. Dans un cadre universitaire, les étudiants peuvent utiliser des casques VR pour explorer des scènes de crime simulées, identifier des preuves et s’exercer à des techniques comme le relevé d’empreintes digitales et l’analyse des projections de sang. Cette approche d’apprentissage immersif développe les compétences fondamentales d’enquête dans un environnement sûr et reproductible.

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

Améliorer les images avec Vision AI#

Une affaire vieille de 19 ans au Kerala, en Inde, a récemment été résolue grâce à l’amélioration d’images par l’IA. Les enquêteurs ont réexaminé d’anciennes photographies datant du crime et ont combiné le traitement d’images et l’intelligence artificielle pour clarifier les traits des visages et générer des portraits actualisés des suspects. Une image améliorée ressemblait de près à une personne apparaissant sur une photo de mariage publiée en ligne, ce qui a finalement permis une avancée décisive dans l’affaire.

Cette affaire illustre bien comment les outils criminalistiques modernes, notamment l’intégration de l’IA à l’amélioration traditionnelle des images, peuvent aider les forces de l’ordre à rouvrir et à résoudre des enquêtes restées longtemps en suspens. En révélant des détails masqués ou en identifiant des personnes dont l’apparence a considérablement changé au fil du temps, ces technologies s’imposent comme de puissants outils dans le domaine de la criminalistique numérique.

Utiliser la segmentation d’instances pour extraire des preuves#

La segmentation d’instances est une tâche de vision par ordinateur capable d’identifier chaque objet d’une image et d’en délimiter précisément le contour au moyen d’un masque détaillé au niveau du pixel. Elle aide les enquêteurs à isoler avec précision les éléments de preuve importants, même dans des environnements désordonnés ou complexes.

Imaginons une scène de crime où plusieurs séries d’empreintes de pas ou des traces de pneus qui se chevauchent sont visibles dans la terre ou la neige : la segmentation d’instances peut distinguer chaque trace et en délimiter le contour séparément. Il devient ainsi plus facile d’analyser les schémas de déplacement, les trajectoires des véhicules ou les parcours des suspects sans être gêné par le désordre de l’arrière-plan.

Au-delà de l’analyse des scènes, la segmentation d’instances est également appliquée aux images criminalistiques. Dans une étude menée par l’Institut de médecine légale 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 criminalistiques contenant 4 666 blessures.

Le modèle entraîné a réussi à détecter et à classer sept types de blessures, notamment les plaies par arme blanche et les brûlures. Il a montré comment Vision AI peut aider les enquêteurs à analyser rapidement et précisément les schémas de blessures, à gagner du temps et à améliorer la cohérence des évaluations d’images criminalistiques.

Reconnaître automatiquement les plaques d’immatriculation grâce à Vision AI#

La reconnaissance automatique des plaques d’immatriculation (ANPR), ou la reconnaissance des plaques d’immatriculation (LPR), est une application de la vision par ordinateur axée sur la détection, la lecture et l’extraction automatiques des numéros de plaque d’immatriculation à partir d’images ou de séquences vidéo. Cela implique généralement l’utilisation de modèles de vision par ordinateur, 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 passés. L’ANPR est particulièrement utile dans les enquêtes concernant des personnes disparues, des vols de véhicules, des infractions au code de la route ou des délits de fuite.

Par exemple, dans une affaire de personne disparue, les forces de l’ordre peuvent saisir le numéro de plaque dans un système LPR. Si le véhicule apparaît sur une caméra de surveillance, le système peut automatiquement signaler sa position, ce qui aide les agents à intervenir rapidement. Le LPR joue également un rôle clé dans les affaires de véhicules volés ou de délits de fuite en assurant un suivi rapide et précis grâce à des réseaux de surveillance intégrés.

Fig. 5. Détection des plaques d’immatriculation avec Ultralytics 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 criminalistiques. Voici quelques-uns des principaux avantages à prendre en compte :

• Analyse à distance : la vision par ordinateur permet aux enquêteurs criminalistiques d’examiner des scènes de crime et des preuves, comme des images, des vidéos et des modèles 3D, depuis n’importe où, sans être présents sur place.
• Archives à long terme : les données traitées par les systèmes de vision peuvent être bien organisées et facilement consultables. Si nécessaire, elles peuvent être revisitées et réanalysées à l’aide de modèles améliorés dans le cadre d’anciennes affaires.
• Cohérence : contrairement aux humains, qui peuvent interpréter différemment les informations visuelles selon leur expérience, les modèles de vision par ordinateur appliquent toujours les mêmes règles, ce qui produit des analyses plus cohérentes et uniformes.

Malgré son potentiel, la vision par ordinateur en criminalistique présente également quelques difficultés à garder à l’esprit. Voici les principales :

• Qualité des données d’entrée : 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. L’application de la bonne stratégie d’augmentation des données peut atténuer ce problème.
• Difficultés avec les données inédites : les modèles de vision par ordinateur peuvent rencontrer des difficultés face à des éléments nouveaux, comme des objets inhabituels ou des scènes de crime différentes des données utilisées pour leur entraînement. Ce phénomène est appelé « dérive ».
• Difficultés juridiques : l’utilisation de la vision par ordinateur dans les enquêtes peut soulever des questions juridiques, notamment concernant la recevabilité des preuves devant un tribunal, la confidentialité des données et la transparence des décisions du système.

Points clés à retenir#

La vision par ordinateur continue d’évoluer, mais elle transforme déjà le fonctionnement de la criminalistique. De la détection et de la délimitation de petits éléments de preuve par segmentation d’instances à la création de modèles 3D de scènes de crime et à l’amélioration de documents, elle accompagne 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 détecter plus rapidement les tendances et produire de meilleures prédictions à partir des données d’anciennes affaires. À mesure que la technologie progresse, elle continuera d’offrir de nouvelles méthodes plus efficaces pour résoudre les crimes.

Rejoins notre communauté et notre dépôt GitHub pour en savoir plus sur la vision par ordinateur. Découvre des applications comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans l’agriculture sur nos pages consacrées aux solutions. Consulte nos options de licence et commence dès aujourd’hui à créer avec la vision par ordinateur !