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 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 de crimes. Mais aujourd'hui, grâce à l'IA et à la computer vision, les enquêtes deviennent plus avancées. Les machines peuvent t'aider à analyser des preuves visuelles plus rapidement, avec plus de précision et à une échelle bien plus grande.

En particulier, la computer vision est une technologie percutante 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, aidant ainsi les enquêteurs à résoudre les crimes plus rapidement.

Les avantages des outils pilotés par l'IA dans les enquêtes ont poussé le global market for AI-driven digital forensics 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.

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

La vision par ordinateur permet aux machines d'interpréter des 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 tels que des armes ou des blessures, suivre des véhicules et même reconstruire des 3D models de scènes de crime avec une vitesse et une précision impressionnantes.

Bien que les enquêtes médico-légales reposent encore sur l'observation manuelle et l'expertise, ce processus peut être long et généralement axé sur une affaire à la fois. Les modèles de vision par ordinateur tels que Ultralytics YOLO11 offrent une approche plus rapide et plus évolutable. Ces modèles peuvent scanner des scènes, identifier des objets clés et classifier des preuves à l'aide de tâches de Vision AI telles que 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.

Applications 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.

Analyse 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 object tracking : suivre des personnes, des véhicules ou des articles à travers les images vidéo. Au lieu d'être programmés manuellement pour chaque situation, ces systèmes apprennent à partir de vidéos du monde réel et saisissent rapidement à quoi ressemble la « normale ». De cette façon, ils peuvent repérer automatiquement un comportement inhabituel, comme quelqu'un qui traîne dans un endroit calme, un véhicule dans une zone restreinte 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 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 de vidéosurveillance et suivre des camionnettes rouges (source).

Utilisation 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 nous vient de Nouvelle-Galles du Sud, en Australie, où la police a utilisé une computer vision platform appelée Insights lors des enquêtes sur les feux de brousse de 2019-2020. La plateforme a analysé des images de vidéosurveillance, des données géospatiales et des entrées environnementales telles que la direction du vent et les enregistrements d'impacts de foudre. Elle a également utilisé la reconnaissance d'objets pour identifier des éléments visuels pertinents, tels que des véhicules ou des équipements, dans des volumes massifs de séquences 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 médico-légal examinant 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 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 virtual reality (VR) réinventent également l'éducation médico-légale. Dans un cadre académique, les étudiants peuvent utiliser des casques VR pour explorer des scènes de crime simulées, identifier des preuves et pratiquer des techniques telles que le balayage d'empreintes digitales et l'analyse d'éclaboussures de sang. Cette approche d'apprentissage immersif développe les compétences d'enquête fondamentales dans un environnement sûr et reproductible.

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

Amélioration d'image grâce à la Vision AI#

Une affaire vieille de 19 ans au Kerala, en Inde, a récemment été résolue à l'aide de l'AI-powered image enhancement. Les enquêteurs ont réexaminé de vieilles 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 avancée décisive 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.

Utilisation de la segmentation d'instance pour l'extraction de preuves#

La segmentation d'instance est une computer vision task qui peut identifier des objets individuels dans une image et entourer 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 encombrés ou complexes.

Imaginons une scène de crime où plusieurs séries d'empreintes de pas ou de traces de pneus superposées sont visibles dans la terre ou la neige : l'instance segmentation peut distinguer et délimiter chacune d'elles séparément. Cela facilite l'analyse des schémas de mouvement, des trajectoires de véhicules ou des trajectoires de suspects sans être distrait par l'encombrement de l'arrière-plan.

Au-delà de l'analyse de scène, la segmentation d'instance 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 of wounds. Ils ont entraîné un modèle de vision sur 1 753 images médico-légales 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.

Reconnaissance automatique des plaques d'immatriculation activée par la Vision AI#

L'Automatic Number Plate Recognition (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 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, l'optical character recognition (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, des infractions au code de la route ou des accidents avec délit 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 à l'aide d'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 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 :

• Input quality: 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. Cela peut être atténué en appliquant la bonne stratégie de data augmentation.
• Difficulty in unseen data: Les Computer vision models 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.

Points 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 community et notre GitHub repository pour en savoir plus sur la vision par ordinateur. Explore des applications telles que l'AI in manufacturing et le computer vision in agriculture sur nos pages de solutions. Consulte our licensing options et commence à développer avec la vision par ordinateur dès aujourd'hui !