Компьютерное зрение в судебной экспертизе: поиск скрытых улик

Расследования во многом зависят от вещественных доказательств, собранных на месте преступления, и многие из них — визуальные. Традиционно такие улики собирали вручную: фотографировали место происшествия, зарисовывали план, помечали предметы и полагались на наметанный глаз следователя, чтобы заметить едва различимые детали.

На протяжении многих лет эту работу поддерживали такие инструменты, как тепловизоры и сканеры отпечатков пальцев, которые играли важную роль в раскрытии преступлений. Теперь благодаря ИИ и компьютерному зрению расследования выходят на новый уровень. Машины помогают анализировать визуальные доказательства быстрее, точнее и в гораздо большем масштабе.

В частности, компьютерное зрение — это эффективная технология, которая позволяет машинам видеть и понимать изображения и видео. Такие системы могут быстро обрабатывать и анализировать большие объёмы визуальных данных, помогая следователям быстрее раскрывать преступления.

Преимущества инструментов на основе ИИ для расследований помогли мировому рынку инструментов цифровой криминалистики на основе ИИ достичь объёма 4,98 млрд долларов в 2025 году. Ожидается, что к 2031 году он вырастет до 17,7 млрд долларов.

Рис. 1. Мировой рынок цифровой криминалистики на основе ИИ (источник).

В этой статье мы рассмотрим, как компьютерное зрение можно применять в криминалистических расследованиях и как оно помогает выявлять, анализировать и интерпретировать визуальные доказательства.

Роль ИИ и компьютерного зрения в криминалистике#

Компьютерное зрение позволяет машинам интерпретировать визуальную информацию из реального мира и принимать решения на основе её понимания. В частности, в криминалистике ИИ можно использовать для обнаружения таких объектов, как оружие и повреждения, отслеживания транспортных средств и быстрого и точного построения 3D-моделей мест преступлений.

Криминалистические расследования по-прежнему опираются на ручное наблюдение и экспертные знания, но такой процесс может занимать много времени и обычно охватывает только одно дело за раз. Модели компьютерного зрения, например Ultralytics YOLO11, обеспечивают более быстрый и масштабируемый подход. Они могут анализировать места происшествий, находить важные объекты и классифицировать улики с помощью задач компьютерного зрения на основе ИИ, таких как обнаружение объектов и классификация изображений.

Например, вместо того чтобы вручную просматривать сотни часов записей с камер наблюдения, модель компьютерного зрения может автоматически анализировать видеопотоки и выявлять подозрительные действия — например, необычные движения, длительное нахождение в одном месте или оставленные предметы. Система может выделять конкретные временные промежутки и места для изучения следователями, значительно сокращая время и усилия, необходимые для поиска важных доказательств.

Применение Vision AI в криминалистике#

Компьютерное зрение меняет подход следователей к сбору и изучению визуальных доказательств. Рассмотрим подробнее, как эту технологию применяют в криминалистике сегодня.

Анализ записей с камер наблюдения с помощью компьютерного зрения#

Одна из самых распространённых технологий компьютерного зрения для видеонаблюдения — это отслеживание объектов, то есть людей, транспортных средств и предметов в последовательности видеокадров. Такие системы не нужно вручную программировать для каждого сценария: они учатся на видео из реального мира и быстро распознают, что считается «нормой». Благодаря этому они автоматически обнаруживают необычное поведение, например человека, задержавшегося в тихом районе, автомобиль в закрытой зоне или оставленную без присмотра сумку в общественном месте.

Эта технология полезна во время расследований. Например, если свидетель сообщает, что видел красный пикап на перекрёстке с 11:00 до 13:00, компьютерное зрение может просканировать записи с камер видеонаблюдения за несколько часов, найти все появления красного пикапа и избавить следователей от необходимости вручную просматривать весь материал. Автоматизируя задачи, которые раньше занимали часы или дни, компьютерное зрение ускоряет и делает эффективнее мониторинг в реальном времени и просмотр доказательств.

Рис. 2. Использование Vision AI для анализа записей CCTV и отслеживания красных пикапов (источник).

Применение ИИ при расследовании лесных пожаров#

После пожаров время имеет решающее значение, а вещественные доказательства часто повреждены или уничтожены. Технологии компьютерного зрения помогают восполнить этот пробел: они анализируют разнообразные визуальные данные, такие как спутниковые снимки, записи с дронов, CCTV и тепловизионные изображения, чтобы восстановить последовательность событий.

Эти инструменты могут определить место возникновения пожара, выявить возможные вещества для поджога, а также отследить активность людей или автомобилей вблизи места происшествия. Если объединить такие данные с криминальными базами и отчётами об инцидентах, система может выявить закономерности в разных регионах: например, повторяющиеся места пожаров, поведение подозреваемых или скоординированные поджоги.

Пример из реальной практики — расследование лесных пожаров 2019–2020 годов в штате Новый Южный Уэльс, Австралия. Полиция использовала платформу компьютерного зрения Insights. Платформа анализировала записи CCTV, геопространственные данные и сведения об окружающей среде, такие как направление ветра и данные об ударах молнии. Кроме того, для поиска важных визуальных объектов — например, транспортных средств или оборудования — в огромных объёмах записей с камер наблюдения применялось распознавание объектов.

Сопоставляя эти данные с геолокацией мобильных телефонов и картами, следователи могли связывать действия людей с конкретными пожарами и наглядно представлять собранные сведения на официальных слушаниях. Такой подход ускорил расследование.

Рис. 3. Криминалист осматривает обгоревшие обломки (источник).

Воссоздание места преступления с помощью компьютерного зрения#

Для 3D-реконструкции в криминалистике используют фотографию, лазерное сканирование, LiDAR и компьютерное зрение, чтобы создавать подробные модели мест преступлений в натуральную величину. Такие модели помогают следователям визуализировать расположение предметов, брызги крови и траектории пуль с точностью и интерактивностью, недоступными обычным 2D-фотографиям. Эта технология улучшает анализ и представление доказательств в суде, позволяя виртуально осматривать место происшествия и выполнять точные измерения.

Помимо расследований, 3D-реконструкция и виртуальная реальность (VR) меняют и обучение криминалистике. В учебных заведениях студенты могут с помощью VR-гарнитур изучать смоделированные места преступлений, находить улики и отрабатывать такие методы, как снятие отпечатков пальцев и анализ брызг крови. Такой иммерсивный подход помогает осваивать основные навыки расследования в безопасной среде, где упражнения можно повторять.

Рис. 4. Студент изучает место преступления в VR-гарнитуре (источник).

Улучшение изображений с помощью Vision AI#

Недавно с помощью улучшения изображений на основе ИИ раскрыли дело в индийском штате Керала, которому было 19 лет. Следователи вернулись к старым фотографиям, сделанным во время преступления, и совместили обработку изображений с искусственным интеллектом, чтобы прояснить черты лица и создать обновлённые изображения подозреваемых. Одно из улучшенных изображений оказалось очень похоже на человека на свадебной фотографии, опубликованной в интернете, что в итоге помогло добиться прорыва в расследовании.

Это дело наглядно показывает, как современные криминалистические инструменты, в частности сочетание ИИ с традиционным улучшением изображений, помогают правоохранительным органам возвращаться к давним нераскрытым делам и завершать расследования. Выявляя скрытые детали или личности людей, чья внешность сильно изменилась со временем, эти технологии становятся мощным инструментом цифровой криминалистики.

Извлечение доказательств с помощью сегментации экземпляров#

Сегментация экземпляров — это задача компьютерного зрения, которая позволяет выявлять отдельные объекты на изображении и очерчивать каждый из них подробной маской на уровне пикселей. Это помогает следователям точно выделять важные улики даже в загромождённых или сложных условиях.

Представь место преступления, где на земле или снегу видны несколько цепочек следов или пересекающиеся следы шин. Сегментация экземпляров позволяет различить каждый след и очертить его отдельно. Это упрощает анализ маршрутов движения людей и автомобилей, а также траекторий подозреваемых, не отвлекаясь на фоновые объекты.

Помимо анализа места происшествия, сегментацию экземпляров применяют и для криминалистических изображений. В исследовании, проведённом Цюрихским институтом судебной медицины, учёные использовали эту технологию для выявления различных типов ран. Они обучили модель компьютерного зрения на 1 753 криминалистических изображениях, содержавших 4 666 ран.

Обученная модель могла обнаруживать и классифицировать семь типов повреждений, включая ножевые ранения и ожоги. Этот пример показал, как компьютерное зрение на основе ИИ помогает следователям быстро и точно анализировать характер повреждений, экономить время и повышать единообразие оценки криминалистических изображений.

Автоматическое распознавание номерных знаков с помощью Vision AI#

Автоматическое распознавание номерных знаков (ANPR), или распознавание автомобильных номеров (LPR), — это приложение компьютерного зрения для автоматического обнаружения, считывания и извлечения номеров с изображений и видеозаписей. Обычно оно использует модели компьютерного зрения, такие как YOLO11, для обнаружения объектов и поиска номерного знака в кадре.

После обнаружения номера для извлечения буквенно-цифровых символов применяется оптическое распознавание символов (OCR). Затем эту информацию можно сверить с базами данных, чтобы установить владельца автомобиля или отследить его прошлые перемещения. ANPR особенно полезно при расследовании дел о пропавших без вести, угоне автомобилей, нарушениях правил дорожного движения и ДТП со скрывшимся виновником.

Например, при расследовании дела о пропавшем человеке правоохранительные органы могут ввести номер автомобиля в систему LPR. Если автомобиль попадёт в поле зрения камеры наблюдения, система автоматически отметит его местоположение, что поможет полицейским быстро отреагировать. LPR также играет важную роль в делах об угоне автомобилей и ДТП со скрывшимся виновником, обеспечивая быстрое и точное отслеживание с помощью объединённых сетей видеонаблюдения.

Рис. 5. Обнаружение номерных знаков с помощью Ultralytics YOLO11 (источник).

Плюсы и минусы использования ИИ в криминалистике#

Искусственный интеллект и компьютерное зрение дают несколько важных преимуществ, повышающих эффективность, доступность и надежность криминалистических расследований. Вот некоторые из ключевых преимуществ:

• Удалённый анализ: компьютерное зрение позволяет криминалистам удалённо изучать места преступлений и улики — изображения, видео и 3D-модели — без личного присутствия.
• Долгосрочные архивы: данные, обработанные системами компьютерного зрения, можно хорошо упорядочить и легко искать. При необходимости их можно повторно изучить и проанализировать с помощью улучшенных моделей, даже если речь идёт о старых делах.
• Единообразие: люди могут по-разному интерпретировать визуальную информацию в зависимости от опыта, а модели компьютерного зрения каждый раз применяют одни и те же правила. Благодаря этому анализ становится более единообразным и последовательным.

Несмотря на потенциал, применение компьютерного зрения в криминалистике сопряжено и с рядом проблем, о которых стоит помнить. Вот некоторые из основных:

• Качество входных данных: модели компьютерного зрения сильно зависят от качества получаемых данных. Решения на основе компьютерного зрения могут пропускать или неверно интерпретировать важные детали, если изображения размыты, плохо освещены или имеют низкое разрешение. Правильно подобранная стратегия аугментации данных во время обучения может частично смягчить эту проблему.
• Сложности с ранее не встречавшимися данными: модели компьютерного зрения могут испытывать трудности при столкновении с чем-то новым — например, необычными объектами или местами преступлений, отличающимися от данных, на которых их обучали. Это тесно связано с дрейфом данных.
• Юридические сложности: применение компьютерного зрения в расследованиях может вызывать юридические вопросы, например о допустимости доказательств в суде, конфиденциальности данных и прозрачности решений системы.

Главные выводы#

Компьютерное зрение продолжает развиваться, но уже меняет работу криминалистики. Оно помогает следователям на каждом этапе: от обнаружения и выделения небольших улик с помощью сегментации экземпляров до создания 3D-моделей мест преступлений и улучшения изображений.

В будущем компьютерное зрение, вероятно, будет еще теснее взаимодействовать с ИИ и машинным обучением, чтобы быстрее выявлять закономерности и точнее прогнозировать на основе данных прошлых дел. По мере развития технологий будут появляться новые и более эффективные способы раскрытия преступлений.

Присоединяйся к нашему сообществу и репозиторию GitHub, чтобы узнать больше о компьютерном зрении. Изучи такие примеры применения, как ИИ в производстве и компьютерное зрение в сельском хозяйстве, на страницах наших решений. Ознакомься с вариантами лицензирования и начни создавать решения на основе компьютерного зрения уже сегодня!