4 juillet 2025
Découvrez l'impact de la vision par ordinateur sur la science forensique dans l'identification des preuves, l'analyse des images et l'accélération des enquêtes criminelles.
Les enquêtes dépendent fortement des preuves matérielles recueillies sur les lieux du 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 s’en remettre 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 lecteurs d'empreintes digitales ont soutenu ce travail et ont joué un rôle clé dans la résolution de 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 une échelle beaucoup plus grande.
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 rapidement.
Les avantages des outils basés sur 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 devrait atteindre 17,7 milliards de dollars d'ici 2031.
Dans cet article, nous allons explorer 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.
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 criminalistique, 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.
Bien que les enquêtes médico-légales reposent encore sur l'observation manuelle et les connaissances d'experts, ce processus peut prendre du temps et se concentre généralement sur un seul cas à la fois. Les 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 à l'aide de tâches de Vision IA 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 analyser automatiquement les flux vidéo pour détecter les activités suspectes, comme des mouvements inhabituels, du flânage ou des objets laissés derrière. Il peut signaler des périodes et des lieux spécifiques pour que les enquêteurs les examinent, ce qui réduit considérablement le temps et les efforts nécessaires pour trouver des preuves pertinentes.
La vision par ordinateur change la façon dont les enquêteurs collectent et étudient les preuves visuelles. Voici un aperçu de la façon dont elle est utilisée dans le travail médico-légal aujourd'hui.
L'une des techniques de vision par ordinateur les plus courantes utilisées dans la surveillance est le suivi d'objets - suivre des personnes, des véhicules ou des objets à travers des trames vidéo. Au lieu d'être programmés manuellement pour chaque situation, ces systèmes apprennent à partir de vidéos du monde réel et comprennent rapidement ce qui est considéré comme “normal”. De cette façon, ils peuvent automatiquement repérer les comportements inhabituels, comme une personne qui traîne dans un endroit calme, un véhicule dans une zone réglementée ou un sac sans surveillance dans un lieu public.
Cette technologie peut être utile lors d'enquêtes. Par exemple, si un témoin déclare avoir vu une camionnette rouge à une intersection entre 11 h et 13 h, la vision par ordinateur peut analyser des heures d'images de caméras de surveillance, sélectionner chaque instance 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.
Après des incidents liés à un incendie, 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, la vidéosurveillance et les scans thermiques, afin de reconstituer le déroulement des événements.
Ces outils peuvent détecter l'origine d'un incendie, identifier les accélérateurs potentiels et suivre l'activité humaine ou véhiculaire à proximité des lieux. Combiné aux bases de données criminelles et aux rapports d'incidents, le système peut révéler des schémas, tels que des lieux d'incendie répétés, des comportements suspects ou des incendies criminels coordonnés, dans 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 des enquêtes sur les feux de brousse de 2019-2020. La plateforme a analysé des séquences de vidéosurveillance, des données géospatiales et des données environnementales telles que la direction du vent et les enregistrements de frappes de foudre. Elle a également utilisé la reconnaissance d'objets pour identifier les éléments visuels pertinents, tels que les véhicules ou l'équipement, dans de grandes quantités de séquences de surveillance.
En superposant ces informations avec des données de géolocalisation de téléphones portables et des cartes, les enquêteurs pouvaient relier l'activité humaine à des événements d'incendie spécifiques et présenter visuellement ces données lors d'enquêtes officielles. Cette approche a accéléré le processus d'enquête.
La reconstruction 3D en criminalistique combine des technologies telles que la photographie, la numérisation laser, le LiDAR et la vision par ordinateur pour créer des modèles détaillés et à l'échelle des scènes de crime. Ces reconstructions aident les enquêteurs à visualiser le placement des objets, les schémas de projection de sang et les trajectoires de 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 devant les tribunaux en permettant des visites virtuelles et des mesures précises.
Au-delà des enquêtes actives, la reconstruction 3D et la réalité virtuelle (VR) réinventent également la formation en criminalistique. Dans un contexte académique, les étudiants peuvent utiliser des casques VR pour explorer des scènes de crime simulées, identifier des preuves et pratiquer des techniques telles que la numérisation d'empreintes digitales et l'analyse des projections de sang. Cette approche d'apprentissage immersif développe les compétences d'enquête de base dans un environnement sûr et reproductible.
Une affaire vieille de 19 ans au Kerala, en Inde, a été récemment résolue grâce à l'amélioration d'image basée sur l'IA. Les enquêteurs ont réexaminé 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 conduit à une percée dans l'affaire.
Ce cas est un bon exemple de la façon dont les outils de criminalistique modernes, en particulier l'intégration de l'IA à l'amélioration d'image traditionnelle, peuvent aider les forces de l'ordre à réexaminer et à résoudre des enquêtes en suspens depuis longtemps. En révélant des détails obscurs ou en identifiant des individus qui ont considérablement changé avec le temps, ces technologies s'avèrent être de puissants atouts dans le domaine de la criminalistique numérique.
La segmentation d'instance est une tâche de vision par ordinateur qui peut identifier des objets individuels dans une image et délimiter 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.
Prenons l'exemple d'une scène de crime où plusieurs ensembles d'empreintes de pas ou de traces de pneus se chevauchant sont visibles dans la terre ou la neige - la segmentation d'instance peut distinguer et délimiter chacune d'entre elles séparément. Il est ainsi plus facile d'analyser les schémas de mouvement, les trajectoires des véhicules ou les trajectoires des suspects sans être distrait par l'encombrement de l'arrière-plan.
Au-delà de l'analyse de scène, la segmentation d'instances est également appliquée à l'imagerie médico-légale. 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 médico-légales contenant 4 666 blessures.
Le modèle entraîné était capable de détecter et de classifier sept types de blessures, y compris les coups de couteau et les brûlures. Il a démontré comment la Vision IA 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.
La reconnaissance automatique des plaques d'immatriculation (ANPR), ou reconnaissance des plaques d'immatriculation (LPR), 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 par ordinateur, tels que YOLO11, pour la détection d'objets afin de localiser la plaque d'immatriculation dans une image.
Une fois la plaque d'immatriculation identifiée, une reconnaissance optique de caractères (OCR) est appliquée pour extraire les caractères alphanumériques. Ces informations peuvent ensuite être croisées 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, 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 plaque d'immatriculation dans un système LAPI. Si le véhicule apparaît sur une caméra de surveillance, le système peut automatiquement signaler sa position, aidant ainsi les agents à intervenir rapidement. Le LAPI joue également un rôle clé dans des affaires telles que les véhicules volés ou les délits de fuite en fournissant un suivi rapide et précis grâce à des réseaux de surveillance intégrés.
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 :
Malgré son potentiel, la vision par ordinateur en criminalistique présente également quelques défis à garder à l'esprit. Voici les principaux :
La vision par ordinateur est toujours en évolution, mais elle transforme déjà le fonctionnement de la science forensique. De la détection et du contour des petits éléments de preuve par la segmentation d'instance à la construction de modèles 3D de scènes de crime et à l'amélioration des 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 les schémas plus rapidement et faire de meilleures prédictions en utilisant les données des cas passés. À mesure que la technologie continue de s'améliorer, elle continuera d'apporter 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 l'industrie manufacturière et la vision par ordinateur dans l'agriculture sur nos pages de solutions. Consultez nos options de licence et commencez à développer avec la vision par ordinateur dès aujourd'hui !
