CC BY
33
ВЫЯВЛЕНИЕ, РАСКРЫТИЕ
и расследование преступлений
Владимиров Владимир Юрьевич,
доктор юридических наук, профессор, заслуженный юрист Российской Федерации, академик академик
профессор кафедры управления органами расследования преступлений, Академия управления МВД России, Российская Федерация, 125171, г. Москва, ул. Зои и Александра Космодемьянских, д. 8;
старший научный сотрудник, Экспертно-криминалистический центр МВД России, Российская Федерация, 125130, г. Москва, ул. Зои и Александра Космодемьянских, д. 5
E-mail: veteran.fskn@yandex.ru
Данилов Илья Анатольевич,
советник руководитель направления
АО «РАМЭК-ВС», Российская Федерация, 194292, г. Санкт-Петербург, 5-й Верхний пер., д. 1, корп. 2 E-mail: sto@ramecvs.ru
Шитов Кирилл Эдуардович,
адъюнкт* 3-го факультета (подготовки научных и научно-педагогических кадров), Академия управления МВД России, Российская Федерация, 125171, г. Москва, ул. Зои и Александра Космодемьянских, д. 8
E-mail: shitov-kirill@mail.ru
Научная специальность: 12.00.12 — криминалистика, судебно-экспертная деятельность, оперативно-розыскная деятельность (5.1.4. Уголовно-правовые науки)
УДК 343.982.35 DOI 10.24412/2072-9391-2022-262-44-53
Дата поступления: 16 февраля 2022 г.
Дата принятия статьи в печать: 15 июня 2022 г.
Vladimir Yur'yevich Vladimirov,
Doctor of Law, Professor, Honored Lawyer of the Russian Federation, Academician of the Russian Academy of Natural Sciences, Academician of MANEB (International Academy of Environmental Sciences, Human Safety and Nature), Professor at the Department of Management of Bodies and Units Crimes' Investigation, Management Academy of the Ministry of the Interior of Russia, Russian Federation, 125171, Moscow, Zoi i Alexandra Kosmodemyanskikh St., 8; Senior Researcher of Expert and Forensic Center of the Ministry of Internal Affairs of Russia, Russian Federation, 125130, Moscow, Zoi i Alexandra Kosmodemyanskikh St., 5 E-mail: veteran.fskn@yandex.ru
Il'ya Anatol'yevich Danilov,
Adviser of the Russian Academy of Natural Sciences, Head of the direction of "RAMEK-VS" JSC, Russian Federation, 194292, St. Petersburg, 5th Verkhniy per., 1, building 2
E-mail: sto@ramecvs.ru
Kirill Eduardovich Shitov,
Adjunct** of the 3rd Faculty
(Training of Scientific and Pedagogical Staff),
Management Academy of the Ministry
of the Interior of Russia,
Russian Federation, 125171, Moscow,
Zoi i Alexandra Kosmodemyanskikh St., 8
E-mail: shitov-kirill@mail.ru
Scientific specialty:
12.00.12 — Criminalistics; Forensic Work; Operative Investigative Activity (5.1.4. Criminal Law Sciences)
* Ранее - начальник экспертно-криминалистической группы межмуниципального отдела МВД России «Ковылкинский», Республика Мордовия.
** Previously - Head of the forensic group of the intermunicipal Department of the Ministry of Internal Affairs of Russia "Kovylkinsky", Republic of Mordovia.
Цифровизация трасологической информации как один из ресурсов раскрытия преступлений по горячим следам
Digitalization of Trasological Information as One of the Resources for Solving Crimes in Hot Pursuit
Аннотация
Актуальность вопросов, связанных с циф-ровизацией трасологической информации, обусловлена необходимостью повышения эффективности раскрытия и расследования преступлений, совершенных в условиях неочевидности. В ходе анализа исследований, посвященных проблемам раскрытия преступлений по горячим следам, ярко прослеживается прямая корреляционная зависимость раскрытия преступления и использования криминалистических учетов, в частности трасологических.
Постановка проблемы: за последнее десятилетие отмечается рост количества объектов, изымаемых с мест преступлений, что никак не позволяет на должном уровне осуществлять проверки трасологических объектов в целях установления групповой принадлежности и идентификации следообразующего объекта в «ручном» режиме, что значительно увеличивает сроки раскрытия и расследования преступлений. Сегодня «ручные» (не автоматизированные) системы учета, регистрации и идентификации не в состоянии удовлетворить существующие потребности правоохранительных органов. Автоматизация является, пожалуй, основным средством повышения эффективности работы трасологических учетов.
Цель исследования: дать оценку существующим цифровым системам автоматизированного ведения трасологических учетов, разработать и предложить на основе анализа существующих цифровых технологий концепцию алгоритмов, которые могут быть применены в аппаратно-программном комплексе, решающем задачи автоматизации трасологи-ческих учетов, а также в процессе производства трасологической экспертизы.
Методы исследования: общенаучные, част-нонаучные и специальные методы познания, в том числе методы наблюдения, анализа и синтеза, формально-логический, метод компьютерного эксперимента, метод математического моделирования и др.
Результаты и ключевые выводы: цифровизация трасологической информации возможна за счет применения методов вычислительной математики, теории обработки изображений
Annotation
The relevance of issues related to the digitalization of tracological information is due to the need to improve the efficiency of disclosure and investigation of crimes committed in the conditions of non-obviousness. In the course of the analysis of studies devoted to the problems of solving crimes in hot pursuit, a direct correlation between the disclosure of a crime and the use of forensic records, in particular tracological ones, is clearly traced.
Problem statement: over the past decade, there has been an increase in the number of objects seized from crime scenes, which does not allow for proper checks of tracological objects in order to establish group affiliation and identification of trace-forming object in the "manual" mode, which significantly increases time for disclosure and investigation of crimes. Today, "manual" (non-automated) accounting, registration and identification systems are not able to meet the existing needs of law enforcement bodies. Automation is, perhaps, the main means of improving efficiency of the tra-cological records.
The purpose of the study: to evaluate the existing digital systems of automated tracological accounting, to develop and propose, based on the analysis of existing digital technologies, a concept of algorithms that can be applied in a hardware and software complex that solves the tasks of automating tracological accounting, as well as in the production of tracological expertise.
Research methods: general scientific, private scientific and special methods of cognition, including methods of observation, analysis and synthesis, formal logic, computer experiment method, mathematical modeling method, etc.
Results and key conclusions: digitalization of tracological information is possible through the use of methods of computational mathematics, the theory of image processing and pattern recognition, such as: neural network methods, combined methods, structural methods, cluster analysis.
The integrated use of the above technologies and algorithms ensures full implementation of the methods of auto-identification of objects of tracological records, thereby solving the key task in improving and developing organization of their management.
46
и распознавания образов, таких как: нейро-сетевые методы, комбинированные методы, структурные методы, кластерный анализ.
Комплексное использование вышеперечисленных технологий и алгоритмов обеспечивает полноценную реализацию способов автоидентификации объектов трасологических учетов, тем самым решая ключевую задачу в усовершенствовании и развитии организации их ведения.
Применение аппаратного инструмента трехмерной фиксации объемных следов обеспечит сохранение их от возможных неблагоприятных воздействий путем замены их в алгоритмах экспертного исследования трехмерной цифровой копией следа.
Дистанционный доступ к базе данных трасологических учетов может быть реализован за счет использования клиент-серверной сетевой архитектуры. Такое решение позволит специалисту, находящемуся на месте происшествия, осуществить выгрузку изображения следа в базу данных и дальнейшую ее автоматическую проверку по имеющемуся массиву непосредственно через аппаратно-программный комплекс.
Уровень развития современной техники и наличие элементно-технологической базы в рамках указанного развития организации ведения трасологических учетов позволяют не только не останавливаться на реализации системы автоматической идентификации, а рассматривать более глубокие варианты модернизаций -создание комплексных программно-аппаратных решений.
Ключевые слова: экспертно-криминалистиче-ский учет; трасологический учет; автоидентификация; цифровизация; цифровая модель следа; раскрытие преступления по горячим следам; 3D-моделирование; технология; алгоритм.
The use of a hardware tool for three-dimensional fixation of three-dimensional traces will ensure their preservation from possible adverse effects by replacing them in the algorithms of expert research with a three-dimensional digital copy of the trace.
Remote access to the database of tracological records can be implemented by using a clientserver network architecture. Such a solution will allow a specialist who is at the scene of incident to upload the trace image to the database and further automatically check it against the existing array directly through the hardware and software complex.
The level of development of modern technology and the availability of an element-technological base within the framework of this development of the organization of tracological records allow not only not to stop at implementation of an automatic identification system, but to consider deeper modernization options - creation of integrated software and hardware solutions.
Keywords: forensic accounting; trace accounting; auto-identification; digitalization; digital trace model; crime solution in hot pursuit; 3D modeling; technology; algorithm.
Раскрытие и расследование преступлений, совершенных в условиях неочевидности, всегда находились в прямой зависимости от эффективности использования криминалистических учетов. В ряду различных видов криминалистических учетов (как оперативно -справочного характера, так и оперативно-розыскного назначения) особое место занимают экспертно-криминалистические картотеки и коллекции. В настоящее время в Российской Федерации порядок организации, ведения и использования экспертно-криминали-стических учетов регламентируется приказом МВД России от 10 февраля 2006 г. № 70 «Об организации использования экспертно-крими-
налистических учетов органов внутренних дел Российской Федерации».
Экспертно -криминалистическими подраз -делениями территориальных органов внутренних дел МВД России (далее — ЭКП) в структуре экспертно-криминалистических учетов в целом осуществляется формирование различных видов трасологических учетов, а именно: трасологических коллекций следов орудий взлома, протекторов автотранспортных шин и их следов, изымаемых с мест происшествий, следов подошв обуви и образцов ее внешнего вида, которые используются в целях установления следообразующего объекта, а также фактов использования одного и того же объекта,
с применением которого было совершено нескольких разных преступлений, то есть серийного характера преступной деятельности.
Следует отметить, что экспертно-крими-налистические коллекции трасологических объектов обладают определенной специфичностью. В отличие от дактилоскопических учетов и пулегильзотек, которые предназначены для установления тождества следообразующе-го объекта, коллекции следов орудий взлома, колес автотранспорта и обуви используются не только и не столько в целях идентификации, но и для установления групповой принадлежности объектов сравнения, что является ориентирующей информацией, облегчающей розыск следообразующих объектов, а в некоторых случаях и их идентификацию. Следующий пример, приведенный нами ниже, весьма показательно демонстрирует это.
В начале третьего тысячелетия в Академии художеств в г. Санкт-Петербурге произошла кража нескольких картин известных художников, представляющих значительную культурную ценность. Следственно-оперативной группой, в состав которой входил специалист-криминалист, в здании академии производился осмотр места происшествия. Специалистом при детальном осмотре предположительных путей проникновения и отхода преступников на одном из карнизов третьего этажа были обнаружены и в дальнейшем изъяты фрагменты следов обуви. Рисунок обнаруженных фрагментов следов обуви указывал на то, что они оставлены одной парой обуви, предположительно кроссовками. Расположение же их стало основанием для выдвижения версии о том, что преступник уходил из здания путем спры-гивания с карниза, а значит, вполне вероятно, что он обратится за медицинской помощью.
Похищенное было обнаружено в течение 2-х суток в одной из квартир, где массово скапливался антисоциальный элемент. Однако персонифицировать исполнителя не представлялось возможным, все лица, находившиеся на месте обнаружения картин, отрицали свою причастность к совершенному преступлению. Было принято решение произвести повторный осмотр квартиры, где обнаружено похищенное, но с участием специалиста-криминалиста, работавшего на месте происшествия в здании Академии художеств. С его помощью были обнаружены кроссовки, рисунок подошвы которых в деталях совпадал с фрагментами следов, обнаруженными на карнизе третьего этажа в академии, что и позволило оперативно установить конкретного исполнителя данного преступления. Вышеописанный пример демонстрирует, как тяжкое преступление было раскрыто по горячим следам без привлечения,
как это обычно бывает, значительных оперативно-розыскных и технико-криминалистических ресурсов.
Однако существенное увеличение количества объектов, изымаемых с мест преступлений в течение последних нескольких лет, не позволяет на должном уровне эффективно осуществлять проверки трасологических объектов в целях установления групповой принадлежности и идентификации следообразующе-го объекта в «ручном» режиме, что значительно увеличивает сроки раскрытия и расследования преступлений. Сегодня «ручные» (не автоматизированные) системы учета, регистрации и идентификации не в состоянии удовлетворить существующие потребности правоохранительных органов. Автоматизация является, пожалуй, основным средством повышения эффективности работы трасологических учетов.
Автоматизация идентификационных систем экспертно-криминалистических учетов обусловлена рядом существенных преимуществ, в особенности для практической деятельности:
— объективизация и возможность проверки решений, принятых в рамках оперативно-розыскной и уголовно-процессуальной деятельности, качественность иллюстративного материала;
— ускорение процедур, связанных с выполнением экспертиз и проведением соответствующих проверок по учетам;
— получение оперативного доступа к данным объектов учета и их обмену в базах данных.
Очевидна потенциальная возможность повысить уровень научно-технического обеспечения деятельности ЭКП за счет применения подобных систем и комплексов. Однако на сегодняшний день в практике ЭКП отсутствуют программно-технические продукты, предназначенные для решения описанных выше задач. Используемые на настоящий момент способы и методы автоматизации трасо-логических учетов по целому ряду причин непригодны к их массовому структурированному использованию.
Анализ существующих систем, предназначенных для автоматизации ведения трасологических учетов, показывает, что они, безусловно, способствуют повышению эффективности решения задач трасологиче-ского учета и позволяют упростить установление групповой принадлежности и идентификацию следообразующих объектов, так или иначе автоматизируя процесс осуществления ведения трасологических учетов. Но вместе с этим все они обладают рядом существенных недостатков:
48
1) отсутствие предварительной обработки и контроля качества изображений — многие изображения следов, поступающих для постановки на учет, требуют предварительного отбора, отбраковки в связи с недостаточным качеством (недостаточное или избыточное освещение, ошибочная фокусировка и т. п.), а также обработки (повышение различимости рельефа, выделение трасс, выравнивание уровня освещенности, контрастирования и т. д.);
2) субъективная калибровка изображений — ошибки, связанные с человеческим фактором, приводят в дальнейшей работе к ошибкам определения настоящего размера следа. Эффективность автопоисковых процедур, таким образом, сводится к нулю;
3) субъективная кодировка следов — ошибки и противоречия в определении элементов следов (одинаковые следы могут быть закодированы по-разному — например, эллипс и круг, ромб или квадрат и т. п.), а также противоречия в выборе и разметке количества таких элементов, что в совокупности также снижает эффективность автопоисковых процедур до нуля;
4) отсутствие функции автоидентификации следообразующих объектов — на данный момент поиск, в основном, осуществляется по текстовой описательной части. В ряде случаев используется информация о размерах и взаиморасположении элементов следа. Это позволяет уточнить рекомендательный список, но крайне неэффективно;
5) отсутствие функционала ЗБ-моде-лирования — ни в одном из существующих программных обеспечений в настоящее время не реализованы алгоритмы трехмерного моделирования и работы с ЗБ-моделями следов;
8) программное обеспечение (в том числе операционная система и система управления базами данных (СУБД)), используемое в существующих учетных системах, не соответствует требованиям, установленным в ст. 12.1 Федерального закона от 27 июля 2006 г. № 149-ФЗ «Об информации, информационных технологиях и о защите информации» (в редакции Федерального закона от 29 июня 2015 г. № 188-ФЗ) и Постановлении Правительства Российской Федерации от 16 ноября 2015 г. № 1236 «Об установлении запрета на допуск программного обеспечения, происходящего из иностранных государств, для целей осуществления закупок для обеспечения государственных и муниципальных нужд» [1; 2, с. 1070].
Не говоря уже об отсутствии таких широко доступных возможностей, как унификация инструментов фиксации следов на осмотрах мест происшествий, а также возможностей защи-
щенной передачи информации по линиям связи, в том числе и мобильной, от средств фиксации следов непосредственно в удаленную базу данных.
Таким образом, очевидно, что используемые в настоящий момент способы и реализации методов автоматизации трасологических учетов непригодны к их массовому и, в особенности, структурированному использованию.
Вместе с этим в современной действительности в различных сферах деятельности при реализации задач обеспечения обороноспособности и государственной безопасности Российской Федерации широко осуществляется комплексная обработка видеоинформации и фотоинформации от систем технического зрения, решаются задачи идентификации объектов, зафиксированных в составе указанного массива данных, посредством использования алгоритмов слияния искомого изображения с анализируемым множеством информации.
Во многом это реализуется посредством попеременного чередования процессов дифференциации и интеграции, что всегда было основополагающим свойством криминалистической и судебно-экспертной деятельности.
Алгоритмы слияния реального (изображения следообразующего объекта) и виртуального (изображения зафиксированного следа на следовоспримимающей поверхности) изображений, то есть объединение изображений, способны во многом разрешить проблематику автоматизации идентификации трасологиче-ских объектов. Основные задачи при этом связаны с разработкой:
— алгоритмов предварительной обработки изображений трасологических следов (изменение диапазона яркостей, выделение границ объектов, утоньшение и векторизация фрагментов, формирование связных фрагментов) с целью улучшения видения и подготовки их для геометрического совмещения;
— алгоритмов геометрического совмещения изображений, которые могут исполнятся в электронно-техническом вычислителе в режиме реального времени;
— эффективных способов совместной визуализации анализируемых и сравниваемых изображений, обеспечивающих максимально полной информацией о состоянии следов, а также формы и особенностей фрагментов микрорельефа каждого отдельного следа.
Наиболее сложной является задача автоидентификации изображений трасологических объектов — сопоставления значений оцифрованных параметров трасс, рельефа и рисунка следов, а также координат их взаимного расположения.
Погрешности определения координат, погрешности, допущенные при фотофиксации изымаемых следов, погрешности позиционирования сенсоров средства изъятия следов, а также погрешности электронно-оптических систем приводят к существенному искажению сопоставляемых данных и потенциальному снижению эффективности автоматизации и автоидентификации.
В связи с этим при разработке алгоритмов автоидентификации трасологических объектов с использованием изображений их следов требуется решить ряд задач: задача проблемно-ориентированной интерпретации изображения, задача общего автоматического понимания изображения некоторой произвольной сцены расположения индивидуализации рельефных особенностей. Задача проблемноо-риентированной интерпретации изображения сводится к обнаружению и группированию на изображении совокупного набора примитивов, их взаимного расположения зеркально реальным индивидуализирующим совокупностям признаков исследуемых элементов микрорельефа. Наличие совокупности признаков детерминирует отождествление со следообра-зующим объектом, чьи признаки отобразились в анализируемом следе. Немаловажной задачей является постановка единых требований назначения, определения способов и методов стандартизации обрабатываемых изображений трасологических следов к алгоритмам обработки изображений в подсистемах идентификационного обеспечения [7, с. 13—21; 6].
Обобщая вышеизложенное, констатируем, что для достижения цели необходимо решить следующие задачи:
— разработать алгоритмы автоматического определения пригодности (фильтрации) изображений к возможности проведения экспертной трасологической идентификации [9, с. 2548-2555; 10, с. 62-66];
— разработать способы и алгоритмы совмещения и взаимной геометрической коррекции разнородных изображений, то есть разработать алгоритмы калибровки и способов приведения к эталонному размеру [8, с. 147—151; 11];
— разработать алгоритмы «автоидентификации» автоматического совмещения изображений, пригодных в криминалистическом смысле для идентификации;
— разработать алгоритмы оценки качества «автоидентификации».
Решение данной задачи, на наш взгляд, представляется возможным за счет применения совокупности методов вычислительной математики, теории обработки изображений и распознавания образов, таких как:
— нейросетевые методы;
— комбинированные методы;
— структурные методы;
— кластерный анализ.
Нейросетевые методы в совокупности с комбинированными методами используются на классах объектов, вошедших в обучаемые выборки, то есть используются в алгоритмах определения и выделения (разметки) рельефа следовой картины изымаемых следов, а также геометрических фигур (примитивов) рисунка следа, соответственно определения координат их взаимного местоположения, размеров и геометрических типов — выявления сущностных элементов и их параметров, которые и будут применяться для установления соответствий между изображениями трасологиче-ских следов [4; 3].
После того как сущностные элементы и параметры координат их взаимного расположения определены, не составляет технических трудностей реализация поисковых процедур и автоидентификации следов, принадлежащих одному следообразующему объекту, с применением структурных (синтаксических) методов распознавания изображений и кластерного анализа.
Отдельно стоит отметить, что применение нейросетевых и комбинированных методов в части определения и разметки рельефа следовой картины изымаемых следов, а также геометрических фигур (примитивов) рисунка следовой картины обеспечивает инвариантность от поворота изображений. Размеченные геометрические примитивы (элементы групповых признаков), установленная их форма, размерные характеристики и соотношение взаимного расположения — постоянные значения при любом повороте изображения следа, они являются при этом структурно-грамматическими признаками, использующимися в автоидентификации. Также немаловажным является и тот факт, что алгоритмы машинного обучения (нейросете-вые алгоритмы) быстро адаптируются к изменениям внешней среды и постоянно до-обучаются на небольших объемах актуальных данных, что обеспечивает самосовершенствование системы в течение всего жизненного цикла [12; 9, с. 2548—2555].
Как упоминалось выше, стоит отметить и задачи предварительной обработки изображений трасологических следов. Являясь критически важным этапом технологии автоидентификации изображений, предварительная обработка существенным образом влияет на итоговый результат.
Предварительная обработка изображений для их последующего совмещения и автоидентификации включает в себя:
50
— перевод цветных изображений в градации серого;
— устранение шумов, фильтрация помех;
— оптимизация уровней яркости и контрастности;
— выделение границ перепадов яркостей на изображениях;
— дополнительная обработка полученных границ элементов рисунка следа:
а) утоньшение и векторизация, выделение контуров трасс и геометрических элементов рисунка следа;
б) устранение разрывов контуров элементов рисунка следа.
Этап предварительной обработки изображений характеризуется процессами максимального выявления и визуализации признаков трасологических следов в составе общего изображения. Выявленные признаки далее будут размечены с использованием комбинированных нейросетевых алгоритмов, применяемых на следующих этапах для установления соответствий между следами.
Таким образом, комплексное использование вышеперечисленных технологий и алгоритмов обеспечивает полноценную реализацию способов автоидентификации объектов трасологических учетов, тем самым решая ключевую задачу в усовершенствовании и развитии организации их ведения.
Вместе с тем уровень развития современной техники и наличие элементно-технологической базы в рамках указанного развития организации ведения трасологических учетов позволяют не только не останавливаться на реализации системы автоматической идентификации, а рассматривать более глубокие варианты модернизаций — создание комплексных программно-аппаратных решений.
Модель следа с наложенной текстурой
До настоящего момента, как описывалось выше, программное обеспечение авторизации ведения трасологических учетов не обладало функционалом трехмерного моделирования.
Однако возможность построения и использования трехмерных моделей следов позволяет:
— повысить качество иллюстративного материала (в том числе изначальное качество формирования плоскостных изображений путем применения способа комбинаторной подсветки фиксируемой сцены с охватом пятна освещения 3600, исключающих проблематику особенностей косопадающей подсветки от единственного осветителя);
— усовершенствовать предметный инструментарий проведения экспертиз (пространственная ориентация при сопоставлении, виртуализации и т. д.), а также многое другое.
Применение существующих технологий, таких как Shape from Focus (SFF), Depth from Focus, Semi-Global Matching, позволяет реализовать функционал трехмерного моделирования следов, построения SD-моделей следов, а также внедрить его в состав автоматизированной системы ведения трасологических учетов, в том числе и в инструмент трехмерной фиксации объемных следов, образуя полноценный программно-аппаратный комплекс автоматизации ведения трасологических учетов, в том числе разрешающий и проблему унификации средств фиксации следов, оставленных на местах происшествий и преступлений [5, с. 30].
В качестве примера построенной трехмерной модели следа орудия взлома приведена иллюстрация на рисунке 1; следа протектора автотранспортной шины на рисунках 2 и 3; следа подошвы обуви — на рисунках 4 и 5.
Пространственный каркас модели следа
Рис. 1. Трехмерная цифровая модель следа орудия взлома
Рис. 2. Трехмерная цифровая модель следа протектора автомобильной шины (а)
Рис. 3. Трехмерная цифровая модель следа протектора автомобильной шины (б)
Рис. 4. Трехмерная цифровая модель следа подошвы обуви (а)
Рис. 5. Трехмерная цифровая модель следа подошвы обуви (б)
Однако возможность формирования трехмерных моделей следов позволяет не только повысить качество иллюстративного материала, но и разрешить не менее значимую задачу в развитии ведения трасологических учетов, чем автоидентификация. Так, применение аппаратного инструмента трехмерной фиксации объемных следов обеспечит сохранение их от возможных неблагоприятных воздействий, имеющих место при фиксации традиционными способами путем изготовления гипсовых слепков, реплик, оттисков, путем замены их в алгоритмах экспертного исследования трехмерной цифровой копией следа. Принцип данного инструмента трехмерной фиксации реализован на способах не только фотограмметрии, но и алгоритмах триангуляции, а также наличии устройств дистанционных прямых измерений.
Учитывая перечисленные принципы, применяемые для сбора данных и построения описываемой электронной копии натурного объек-
та — следа, данную цифровую модель возможно метрологически аттестовать. Метрологически аттестовать способ ее построения, а также инструмент и средство измерения, при помощи которого осуществлялись замеры, требуемые для данного построения. Таким образом, представляется возможным доказать, что электронная копия в размерно-геометрических характеристиках соответствует своему оригиналу. Тем самым будет обеспечена возможность в официальном порядке рассматривать и исследовать описываемую электронную копию (копии) в ходе производства трасологической экспертизы, а при проработке аспектов экспертной методологии гипотетически перенести процесс производства экспертизы и подготовки экспертных заключений в виртуальную среду. Во всяком случае, технических преград для осуществления описанного алгоритма не возникает.
Дистанционный доступ к базе данных трасологических учетов может быть реализован
за счет использования клиент-серверной сетевой архитектуры. Такое решение позволит специалисту, находящемуся на месте происшествия, осуществить выгрузку изображения следа в базу данных и дальнейшую ее автоматическую проверку по имеющемуся массиву непосредственно через аппаратно-программный комплекс, основные алгоритмы которого описаны выше.
В связи с вышеизложенным очевидны положительный эффект от появления подобного рода инструментов и функционала (программно-аппаратных комплексов) в современной организации ведения экспертно-криминалисти-ческих трасологических учетов, в том числе в ближайшем будущем, и вследствие чего повышение их результативности в раскрытии и расследовании преступлений.
52
Список литературы:
1. Вахитов А. Т., Гуревич Л. С., Павленко Д. В. Обзор алгоритмов стереозрения // Стохастическая оптимизация в информатике. Вып. 4 / под ред. О. Н. Граничина. Санкт-Петербург, 2008.
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений / пер. с англ. Москва, 2006.
3. Горбань А. Н, Дунин-Барковский В. Л., Кир-дин А. Н. [и др.]. Нейроинформатика. Новосибирск, 1998. URL: http://www.neuropower. de/rus (дата обращения: 27.01.2022).
4. Ежов А. А., Шумский С. А. Нейрокомпью-тинг и его применения в экономике и бизнесе. Москва, 1998.
5. Конушин А. С. Система построения трехмерных моделей реальных объектов по последовательности изображений (тезисы) // Ломоносов 2005: материалы Международной конференции студентов и аспирантов по фундаментальным наукам. Москва, 2005.
6. Bay Herbert, Ess Andreas, Tuytelaars Tinne and Van Gool Luc. Speeded Up Robust Features. ETH Zurich, Katholieke Universiteit Leuven, 2006.
7. Bradley D., Roth G. Adaptive thresholding using the integral image // Journal of graphics tools. 2007. Vol. 12. № 2.
8. Harris C. and Stephens M. A combined corner and edge detector //In Fourth Alvey Vision Conference. Manchester, UK, 1988.
9. Leutenegger S., Chli M. and Siegwart R. Y. 2011. BRISK: Binary Robust invariant scalable keypoints. In 2011 International Conference on Computer Vision. 2548-2555. URL: https:// doi.org/10.1109/ICCV.2011.6126542 (дата обращения: 27.01.2022).
10. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man and Cybernetics. 1979. Vol. 9. № 1.
11. Rublee Е., RabaudМ., Konolige К andBradski G. 2011. ORB: An efficient alternative to SIFT or SURF. In 2011 International Conference on Computer Vision. 2564-2571. URL: https:// doi.org/10.1109/ICCV.2011.6126544 (дата обращения: 27.01.2022).
References:
1. Vahitov A. T., Gurevich L. S., Pavlenko D. V. Obzor algoritmov stereozreniya // Stohasti-cheskaya optimizaciya v informatike. Vyp. 4 / pod red. O. N. Granichina. Sankt-Peterburg, 2008.
2. Gonsales R, Vuds R. Cifrovaya obrabotka izo-brazhenij / per. s angl. Moskva, 2006.
3. Gorban'A. N, Dunin-Barkovskij V. L., Kirdin A. N. [i dr.]. Nejroinformatika. Novosibirsk, 1998. URL: http://www.neuropower.de/rus (data obrashcheniya: 27.01.2022).
4. Ezhov A. A., Shumskij S. A. Nejrokomp'yuting i ego primeneniya v ekonomike i biznese. Moskva, 1998.
5. Konushin A. S. Sistema postroeniya trekhmernyh modelej real'nyh ob"ektov po posledovatel'nosti izobrazhenij (tezisy) // Lomonosov 2005: ma-terialy Mezhdunarodnoj konferencii studen-tov i aspirantov po fundamental'nym naukam. Moskva, 2005.
6. Bay Herbert, Ess Andreas, Tuytelaars Tinne and Van Gool Luc. Speeded Up Robust Features. ETH Zurich, Katholieke Universiteit Leuven, 2006.
7. Bradley D, Roth G. Adaptive thresholding using the integral image // Journal of graphics tools. 2007. Vol. 12. № 2.
8. Harris C. and Stephens M. A combined corner and edge detector // In Fourth Alvey Vision Conference. Manchester, UK, 1988.
9. Leutenegger S, Chli M. and Siegwart R. Y. 2011. BRISK: Binary Robust invariant scalable keypoints. In 2011 International Conference on Computer Vision. 2548—2555. URL: https://doi.org/10.1109/ICCV.2011.6126542 (data obrashcheniya: 27.01.2022).
10. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man and Cybernetics. 1979. Vol. 9. № 1.
11. Rublee Е, Rabaud М, Konolige K. and Brad-ski G. 2011. ORB: An efficient alternative to SIFT or SURF. In 2011 International Conference on Computer Vision. 2564—2571. URL: https://doi.org/10.1109/ICCV.2011.6126544 (data obrashcheniya: 27.01.2022).
12. Shi J., Tomasi C. Good Features to Track // IEEE Conference on Computer Vision and Pattern Recognition (CVPR94) Seattle, June 1994. URL: http://www.ai.mit.edu/ courses/6.891 /handouts/shi94good.pdf (дата обращения: 14.01.2022).
12. Shi J., Tomasi C. Good Features to Track // IEEE Conference on Computer Vision and Pattern Recognition (CVPR94) Seattle, June 1994. URL: http://www.ai.mit.edu/courses/6.891/ handouts/shi94good.pdf (data obrashcheniya: 14.01.2022).
Для цитирования:
For citation:
Владимиров Владимир Юрьевич, Данилов Илья Анатольевич, Шитов Кирилл Эдуардович. Циф-ровизация трасологической информации как один из ресурсов раскрытия преступлений по горячим следам // Труды Академии управления МВД России. 2022. № 2 (62). С. 44—53.
Vladimirov Vladimir Yur'yevich, Danilov H'ya Anatol'yevich, Shitov Kirill Eduardovich. Digitalization of Trasological Information as one of the Resources for Solving Crimes in hot Pursuit // Proceedings of Management Academy of the Ministry of the Interior of Russia. 2022. № 2 (62). P. 44-53.
53
