La vision par ordinateur en criminalistique : détecter des indices cachés

Les enquêtes reposent en grande partie 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 se faisait manuellement : photographier la scène, dessiner des plans, étiqueter les objets et compter sur l’œil averti de l’enquêteur pour repérer les détails subtils.

Au fil des ans, des outils comme les caméras thermiques et les lecteurs d’empreintes digitales ont contribué à ce travail et joué un rôle essentiel 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.

La vision par ordinateur est notamment une technologie puissante qui permet aux machines de voir et de comprendre des images et des vidéos. Ces systèmes peuvent traiter et analyser rapidement de grandes quantités de données visuelles, ce qui aide les enquêteurs à résoudre les crimes plus vite.

Les avantages des outils d’enquête fondés sur l’IA ont permis au marché mondial des outils d’investigation numérique fondés sur l’IA d’atteindre une valeur de 4,98 milliards de dollars en 2025. Cette valeur devrait s’élever à 17,7 milliards de dollars d’ici 2031.

Fig. 1. Marché mondial de l’investigation numérique fondée sur l’IA (Source).

Dans cet article, nous allons voir comment la vision par ordinateur peut être utilisée dans les enquêtes médico-légales et 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 reconstituer rapidement et avec précision des modèles 3D de scènes de crime.

Les enquêtes médico-légales reposent encore sur l’observation manuelle et les connaissances spécialisées, mais ce processus peut prendre du 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. Ils peuvent examiner des scènes, identifier les objets clés et classer les éléments de preuve à l’aide de tâches d’IA visuelle comme la détection d’objets et la classification d’images.

Par exemple, au lieu de visionner 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 laissés sur place. Il peut signaler des périodes et des lieux précis à examiner par les enquêteurs, ce qui réduit considérablement le temps et les efforts nécessaires pour trouver les preuves pertinentes.

Applications de l’IA visuelle en criminalistique#

La vision par ordinateur transforme la manière dont les enquêteurs recueillent et étudient les preuves visuelles. Voici un aperçu de ses applications actuelles en criminalistique.

Analyser les vidéos de surveillance avec la vision par ordinateur#

L’une des techniques de vision par ordinateur les plus couramment 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 repèrent rapidement ce qui est « normal ». Ils peuvent ainsi détecter automatiquement les comportements inhabituels, comme une personne qui s’attarde dans une zone calme, un véhicule dans une zone réglementée ou un sac sans surveillance dans un lieu public.

Cette technologie peut s’avérer 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 pick-up 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 la surveillance en direct et l’examen des preuves.

Fig. 2. Utilisation de l’IA visuelle pour analyser des vidéos de vidéosurveillance et suivre des pick-up rouges (source).

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

Après un incendie, le temps est un facteur crucial et les preuves matérielles sont souvent altérées ou détruites. Les technologies de vision par ordinateur contribuent à combler cette lacune en analysant diverses sources de données visuelles, comme les images satellites, les vidéos de drones, les vidéos de vidéosurveillance et les images thermiques, afin de reconstituer le déroulement des événements.

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

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 dans le cadre des enquêtes sur les feux de brousse de 2019 à 2020. La plateforme a analysé des vidéos de vidéosurveillance, des données géospatiales et des données environnementales comme 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 grandes 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 officielles. Cette approche a accéléré le processus d’enquête.

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

Reconstituer une scène de crime à l’aide de la vision par ordinateur#

La reconstitution 3D en criminalistique combine des technologies comme la photographie, le balayage laser, le LiDAR et la vision par ordinateur pour créer des modèles détaillés des scènes de crime à l’échelle réelle. Ces reconstitutions aident les enquêteurs à visualiser l’emplacement des objets, les projections de sang et les trajectoires des balles avec une précision et une interactivité impossibles à obtenir avec les photographies 2D traditionnelles. 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 reconstitution 3D et la réalité virtuelle (VR) transforment également l’enseignement de la criminalistique. Dans un cadre universitaire, les étudiants peuvent utiliser des casques de réalité virtuelle pour explorer des scènes de crime simulées, repérer des éléments de preuve et s’exercer à des techniques comme le relevé d’empreintes digitales et l’analyse des projections de sang. Cette approche immersive développe les compétences essentielles aux enquêtes dans un environnement sûr et reproductible.

Fig. 4. Un étudiant examine la scène de crime à l’aide d’un casque de réalité virtuelle (source).

Amélioration d’images grâce à l’IA visuelle#

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

Cette affaire illustre bien comment les outils modernes de criminalistique, et notamment l’intégration de l’IA aux techniques traditionnelles d’amélioration d’images, peuvent aider les forces de l’ordre à rouvrir et à résoudre des enquêtes en suspens depuis longtemps. En révélant des détails masqués ou en identifiant des personnes dont l’apparence a beaucoup changé avec le temps, ces technologies s’avèrent être des outils puissants en investigation numérique.

Utiliser la segmentation d’instances pour extraire des preuves#

La segmentation d’instances est une tâche de vision par ordinateur qui permet d’identifier les objets individuellement dans une image et de délimiter chacun d’eux à l’aide d’un masque détaillé au niveau du pixel. Elle aide les enquêteurs à isoler avec précision les éléments de preuve clés, 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 et délimiter chaque trace 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 utilisée pour analyser des images médico-légales. Dans une étude menée 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 entraîné a pu détecter et classer sept types de blessures, notamment les plaies par arme blanche et les brûlures. Il a montré comment l’IA visuelle peut aider les enquêteurs en analysant rapidement et précisément les types de blessures, en leur faisant gagner du temps et en améliorant la cohérence de l’évaluation des images médico-légales.

Reconnaissance automatique des plaques d’immatriculation grâce à l’IA visuelle#

La reconnaissance automatique des plaques d’immatriculation (ANPR), ou reconnaissance des plaques d’immatriculation (LPR), est une application de la vision par ordinateur qui vise à détecter, lire et extraire automatiquement les numéros de plaques d’immatriculation à partir d’images ou de vidéos. Elle repose généralement sur des modèles de vision par ordinateur, comme YOLO11, pour détecter les objets et localiser la plaque dans une image.

Une fois la plaque identifiée, la reconnaissance optique de caractères (OCR) sert à extraire les caractères alphanumériques. Ces informations peuvent ensuite être comparées à 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 routières ou des délits de fuite.

Par exemple, dans une affaire de disparition, 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 automatiquement signaler son emplacement et aider les agents à intervenir rapidement. La LPR joue également un rôle essentiel 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 de plaques d’immatriculation avec Ultralytics YOLO11 (source).

Avantages et inconvénients 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 médico-légaux d’examiner à distance des scènes de crime et des éléments de preuve, comme des images, des vidéos et des modèles 3D, sans avoir à se rendre sur place.
• Archives à long terme : les données traitées par les systèmes de vision peuvent être bien organisées et faciles à rechercher. Si nécessaire, elles peuvent être réexaminées et analysées à nouveau à l’aide de modèles améliorés, même dans le cadre d’anciens dossiers.
• 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 aussi quelques défis à prendre en compte. En voici les principaux :

• 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. Une stratégie appropriée d’augmentation des données pendant l’entraînement peut atténuer partiellement ce problème.
• Difficulté face aux données inédites : les modèles de vision par ordinateur peuvent rencontrer des difficultés lorsqu’ils font face à des éléments nouveaux, comme des objets inhabituels ou des scènes de crime différentes des données sur lesquelles ils ont été entraînés. Ce problème est étroitement lié à la dérive des données.
• Défis juridiques : l’utilisation de la vision par ordinateur dans les enquêtes peut soulever des questions juridiques, par exemple sur 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 grâce à la segmentation d’instances à la création de modèles 3D de scènes de crime et à l’amélioration des images, 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 détecter plus rapidement les motifs et faire de meilleures prédictions à partir des données d’affaires passées. À mesure que la technologie progresse, elle continuera d’apporter de nouvelles méthodes toujours plus efficaces pour résoudre les crimes.

Rejoins notre communauté et consulte 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 développer avec la vision par ordinateur !