法科学向けコンピュータービジョン：隠れた手がかりを検出

捜査は、犯罪現場で収集された物的証拠に大きく依存しており、その多くは視覚的な証拠です。従来、こうした手がかりの収集は手作業で行われていました。現場の撮影、見取り図の作成、物体のラベル付け、そして細かな点を見つける捜査員の訓練された目に頼っていました。

長年にわたり、サーマルカメラや指紋スキャナーなどのツールが捜査を支援し、事件解決に重要な役割を果たしてきました。しかし現在は、AIとコンピュータービジョンのおかげで、捜査はさらに高度化しています。機械は視覚的証拠をより迅速かつ正確に、より大規模に分析できるよう支援します。

特にコンピュータービジョンは、機械が画像や動画を認識して理解できるようにする、影響力の大きな技術です。こうしたシステムは大量の視覚データをすばやく処理して分析できるため、捜査員はより迅速に犯罪を解決できます。

捜査におけるAI駆動ツールの利点によって、AI駆動のデジタルフォレンジックツールの世界市場は2025年に49億8,000万ドルの規模に達し、2031年には177億ドルに成長すると予測されています。

図1. AI駆動型デジタルフォレンジックの世界市場（出典）。

この記事では、コンピュータービジョンを科学捜査に活用する方法と、視覚的証拠の特定、分析、解釈にどのように役立つかをご紹介します。

科学捜査におけるAIとコンピュータービジョンの役割#

コンピュータービジョンを使うと、機械は現実世界の視覚情報を解釈し、その理解に基づいて判断できます。特に法科学では、AIを使って武器や負傷などの要素を検出し、車両を追跡し、犯罪現場の3Dモデルを迅速かつ正確に再構築できます。

法科学の捜査では、今も手作業による観察と専門知識に頼っていますが、このプロセスには時間がかかり、通常は一度に一つの事件しか扱えません。Ultralytics YOLO11などのコンピュータービジョンモデルは、より迅速で拡張性の高い方法を提供します。こうしたモデルは現場をスキャンし、重要な物体を特定し、物体検出や画像分類などのビジョンAIタスクを使って証拠を分類できます。

たとえば、何百時間もの監視映像を手作業で確認する代わりに、コンピュータービジョンモデルで映像を自動的にスキャンし、不審な動き、長時間の滞在、放置された物体などの不審な活動を検出できます。捜査員が確認すべき時間帯と場所を特定することで、関連する証拠を見つけるために必要な時間と労力を大幅に削減できます。

科学捜査におけるVision AIの活用例#

コンピュータービジョンは、捜査員が視覚的証拠を収集し、調べる方法を変えています。ここでは、現在の科学捜査でどのように活用されているかを詳しく見ていきましょう。

コンピュータービジョンを使った監視映像の分析#

監視に使われる一般的なコンピュータービジョン技術の1つが物体追跡です。これは、動画のフレームを通じて人、車両、物体を追跡する技術です。あらゆる状況に対応するよう手作業でプログラムするのではなく、こうしたシステムは現実世界の動画から学習し、「通常」の状態をすばやく把握します。これにより、静かな場所に長時間いる人、立ち入り制限区域にいる車両、公共の場所に放置されたバッグなど、通常とは異なる行動を自動的に検出できます。

この技術は捜査で役立ちます。たとえば、目撃者が午前11時から午後1時の間に交差点で赤いピックアップトラックを見たと証言した場合、コンピュータービジョンで何時間分ものCCTV映像をスキャンし、赤いトラックが映ったすべての箇所を抽出できます。これにより、捜査員が映像をすべて手作業で確認する必要がなくなります。かつて何時間、あるいは何日もかかっていた作業を自動化することで、コンピュータービジョンはリアルタイム監視と証拠確認の両方を、より迅速かつ効果的にします。

図2. Vision AIを使ってCCTV映像を分析し、赤いピックアップトラックを追跡します（出典）。

森林火災の捜査におけるAIの活用#

火災関連の事故が発生した後は時間が重要であり、物的証拠が損なわれたり、失われたりすることもよくあります。コンピュータービジョン技術は、衛星画像、ドローン映像、CCTV、サーマルスキャンなど、多様な視覚データを分析して出来事の経緯を再構築することで、この不足を補います。

こうしたツールは、火災の発生源を検出し、着火促進剤の可能性がある物質を特定し、現場付近の人や車両の動きを追跡できます。犯罪データベースや事故報告と組み合わせることで、地域をまたいで繰り返し発生する火災現場、容疑者の行動、組織的な放火などのパターンを明らかにできます。

実例として、オーストラリアのニューサウスウェールズ州では、警察が2019～2020年の森林火災の捜査において、Insightsというコンピュータービジョンプラットフォームを使用しました。このプラットフォームは、CCTV映像、地理空間データ、風向や落雷の記録などの環境情報を分析しました。また、物体認識を使って、大量の監視映像から車両や機器などの関連する視覚要素を特定しました。

こうしたインサイトを携帯電話の位置情報データや地図に重ね合わせることで、捜査員は人の活動を特定の火災と関連付け、そのデータを正式な審問で視覚的に提示できました。この手法により、捜査プロセスが迅速化しました。

図3. 火災の残骸を調べる法科学捜査員（出典）。

コンピュータービジョンを使った犯罪現場の再構築#

科学捜査における3D再構築では、写真撮影、レーザースキャン、LiDAR、コンピュータービジョンなどの技術を組み合わせ、犯罪現場の詳細で縮尺に忠実なモデルを作成します。こうした再構築により、従来の2D写真では実現できない精度と双方向性で、捜査員が物体の配置、血痕の飛散パターン、弾道を視覚的に把握できます。仮想ウォークスルーや正確な計測が可能になり、分析や法廷でのプレゼンテーションの質が高まります。

捜査だけでなく、3D再構築と仮想現実（VR）も法科学教育を変えつつあります。教育機関では、学生がVRヘッドセットを使って模擬犯罪現場を調査し、証拠を特定して、指紋スキャンや血痕分析などの技術を練習できます。この没入型学習によって、安全で繰り返し利用できる環境で、捜査の基本スキルを身に付けられます。

図4. VRヘッドセットを使って犯罪現場を見る学生（出典）。

Vision AIを使った画像の高画質化#

インドのケーララ州で、19年前の未解決事件が最近、AIによる画像の高画質化の助けを借りて解決されました。捜査員は事件当時の古い写真を再調査し、画像処理と人工知能を組み合わせて顔の特徴を鮮明にし、容疑者の最新の容貌を生成しました。高画質化した画像の1枚が、オンラインで共有された結婚式の写真に写っていた人物によく似ており、それが最終的に事件の突破口となりました。

この事件は、AIと従来の画像高画質化技術を組み合わせた現代の法科学ツールが、長期未解決の事件を再調査し解決するうえで、法執行機関をどのように支援できるかを示す好例です。不鮮明な細部を明らかにしたり、時間の経過とともに大きく変化した人物を特定したりすることで、これらの技術はデジタルフォレンジックの分野で強力なツールとなりつつあります。

インスタンスセグメンテーションを使った証拠の抽出#

インスタンスセグメンテーションは、画像内の個々の物体を特定し、それぞれをピクセル単位の詳細なマスクで輪郭表示できるコンピュータービジョンタスクです。雑然とした複雑な環境でも、捜査員が重要な証拠を正確に分離するのに役立ちます。

たとえば、土や雪の上に複数人の足跡や重なり合うタイヤ痕が見える犯罪現場では、インスタンスセグメンテーションを使って一つひとつを区別し、個別に輪郭表示できます。これにより、背景の雑然とした状態に妨げられることなく、移動パターン、車両の経路、容疑者の移動経路を分析しやすくなります。

現場の分析に加えて、インスタンスセグメンテーションは法科学画像にも活用されています。チューリッヒ法医学研究所の研究では、この技術を使ってさまざまな傷の種類を特定しました。研究者は、4,666個の傷を含む1,753枚の法科学画像を使ってビジョンモデルをトレーニングしました。

トレーニング済みのモデルは、刺し傷ややけどを含む7種類の負傷を検出して分類できました。この結果は、ビジョンAIが負傷のパターンを迅速かつ正確に分析し、時間を節約し、法科学画像の評価の一貫性を向上させることで、捜査員を支援できることを示しています。

Vision AIによる自動車両番号認識#

自動車両番号認識 (ANPR)は、ナンバープレート認識 (LPR) とも呼ばれ、画像や動画からナンバープレート番号を自動的に検出、読み取り、抽出するコンピュータービジョンアプリケーションです。通常は、YOLO11などのコンピュータービジョンモデルを物体検出に使い、フレーム内のナンバープレートの位置を特定します。

プレートを特定した後、光学文字認識 (OCR)を適用して英数字を抽出します。この情報をデータベースと照合すると、車両の所有者を特定したり、過去の移動を追跡したりできます。ANPRは、行方不明者、車両盗難、交通違反、ひき逃げに関する捜査で特に役立ちます。

たとえば、行方不明者の捜索では、法執行機関がナンバープレート番号をLPRシステムに入力できます。監視カメラに車両が映ると、システムがその位置を自動的に特定し、警察官の迅速な対応を支援します。また、LPRは盗難車やひき逃げなどの事件でも、連携された監視ネットワークを通じて迅速かつ正確に追跡するうえで重要な役割を果たします。

図5. Ultralytics YOLO11を使用したナンバープレートの検出（出典。）

フォレンジックにおけるAI活用のメリットとデメリット#

AIとコンピュータービジョンには、フォレンジック調査の効率性、アクセシビリティ、信頼性を高める重要なメリットがいくつかあります。検討すべき主なメリットをいくつかご紹介します。

• 遠隔分析： コンピュータービジョンを使うと、法科学の捜査員は現場に出向かなくても、画像、動画、3Dモデルなどの犯罪現場や証拠をどこからでも確認できます。
• 長期アーカイブ： ビジョンシステムで処理したデータは、適切に整理され、簡単に検索できます。将来必要になった場合は、改良されたモデルを使って過去の事件のデータを再確認し、再分析できます。
• 一貫性： 経験によって視覚情報の解釈が異なる場合がある人間とは異なり、コンピュータービジョンモデルは毎回同じルールを適用するため、より一貫性のある均質な分析が可能になります。

コンピュータービジョンはフォレンジック分野で大きな可能性を秘めていますが、留意すべき課題もいくつかあります。主な課題をご紹介します。

• 入力データの品質： ビジョンモデルは、受け取るデータの品質に大きく依存します。画像がぼやけていたり、照明が不十分だったり、解像度が低かったりすると、コンピュータービジョンソリューションが重要な詳細を見落としたり、誤って解釈したりすることがあります。トレーニング中に適切なデータ拡張戦略を使うと、この問題をある程度軽減できます。
• 未知のデータへの対応の難しさ： コンピュータービジョンモデルは、見慣れない物体や、トレーニングに使ったデータとは異なる犯罪現場など、新しいものに遭遇すると対応に苦慮することがあります。これはデータドリフトと密接に関係しています。
• 法的課題： 捜査でコンピュータービジョンを使うと、証拠が法廷で採用可能かどうか、データのプライバシーをどのように確保するか、システムの判断がどの程度透明かなど、法的な疑問が生じる可能性があります。

重要なポイント#

コンピュータービジョンは現在も進化を続けていますが、すでに法科学のあり方を変えています。インスタンスセグメンテーションによる小さな証拠の検出と輪郭の描画から、3D犯罪現場モデルの構築、画像の補正まで、作業のあらゆる段階で捜査員を支援します。

今後、コンピュータービジョンはAIや機械学習との連携をさらに深め、過去の事件データを使って、より迅速にパターンを見つけ、より適切な予測を行うようになるでしょう。技術の進歩に伴い、犯罪解決のための新しく優れた方法が次々と生まれていきます。

コンピュータービジョンについて詳しく知るには、コミュニティやGitHubリポジトリにご参加ください。ソリューションページでは、製造業におけるAIや農業におけるコンピュータービジョンなどの活用事例をご覧いただけます。ライセンスの選択肢を確認して、今日からコンピュータービジョンの開発を始めましょう。