При производстве видеотехнической экспертизы могут исследоваться как динамическое изображение (сама видеограмма), так и статическое (отдельный кадр видеограммы). На сегодняшний день изображения обрабатываются и анализируются различными программными средствами: такими, например, как «Amped five», «Adobe Photoshop» и другие.

В качестве изучаемого программного комплекса, применяемого для исследования видеоизображений, «MATLAB» был выбран не случайно. Данный пакет прикладных программ обладает широким спектром возможностей и не уступает другим программным продуктам, используемым экспертами при анализе видеоизображений. «MATLAB» создан для решения задач технических вычислений и использует одноимённый язык программирования.

Являясь высокоуровневым математическим языком программирования, «MATLAB» с легкостью может быть адаптирован под нужды эксперта – его главной особенностью являются широкие возможности по работе с матрицами, в виде которых может быть представлен графический файл. В расширениях «MATLAB» имеются встроенные алгоритмы для обработки сигналов и связи, а также обработки изображений и видеоданных.

Помимо содержащего вычислительные алгоритмы общего назначения ядра, пакет «MATLAB» содержит специальные наборы инструментов (англ. toolbox), расширяющие его функциональность. Каждый набор инструментов представляет собой библиотеку специализированных подпрограмм, предназначенных для решения определённого класса задач.  При этом все наборы инструментов поделены на категории по сферам применения: например, наборы для графического моделирования или для разработки приложений, для финансовых вычислений или обработки сигналов и связи.

Для обработки видео и изображений существует четыре набора инструментов:

1. «Computer Vision System Toolbox» – алгоритмы и инструменты для разработки и моделирования систем компьютерного зрения и обработки видео.
2. «Image Acquisition Toolbox» – пакет расширения для захвата изображений и видео с внешних устройств и передачи напрямую в «MATLAB».
3. «Image Processing Toolbox» – полный набор типовых эталонных алгоритмов для обработки и анализа изображений, в том числе функций фильтрации, частотного анализа, улучшения изображений, морфологического анализа и распознавания.
4. «Mapping Toolbox» – набор инструментов для построения карт, обработки и визуализации картографических данных.

Следует отметить, что из вышеперечисленных наборов инструментов для решения задач видеотехнической экспертизы могут быть применены «Computer Vision System Toolbox» и «Image Processing Toolbox». Именно эти два пакета расширений содержат необходимые алгоритмы и инструменты, с помощью которых эксперт может обрабатывать и анализировать как статические, так и динамические изображения.

«Computer Vision System Toolbox» включает алгоритмы и инструменты для моделирования и разработки систем компьютерного зрения и обработки видеоизображений. К возможностям данного пакета можно отнести выявление деталей, детектирование движения, обнаружение и отслеживание объектов, стереозрение, обработку и анализ видео.

Само по себе компьютерное (или техническое) зрение представляет собой теорию и технологию создания машин, к возможностям которых относятся обнаружение, отслеживание и классификация различных объектов. Как научную систему, компьютерное зрение можно отнести к теории и технологии создания искусственных систем, получающих информацию из изображений. В свою очередь, стереозрение является одним из направлений компьютерного зрения – оно позволяет получить представление о глубине изображения и расстоянии до объектов, составив трехмерную картину окружающего мира. Компьютерное зрение основывается на четком представлении о камерах и физическом процессе формирования изображения, получении простых выводов на основе изучения набора отдельных пикселей, умении суммировать информацию, полученную из множества изображений, упорядочении группы пикселей с целью их разделения или получения информации о форме, распознавании объектов с помощью геометрической информации или вероятностных методов [1, с. 24].

Как было сказано выше, функции данного пакета расширений «MATLAB» весьма многообразны. Во-первых, «Computer Vision System Toolbox» предоставляет пользователю возможности по обнаружению и выделению деталей изображения. При этом под деталью (или особенностью) понимается некая «интересная» область изображения, например, угол или линия. После выделения деталей становится возможным получить набор векторов признаков, сравнить их и визуализировать результаты. Применяя методы обнаружения, выделения и сравнения особенностей, можно решать различные задачи компьютерного зрения – задачи регистрации изображений, стереозрения и слежения за объектами.

Задачи регистрации изображений и стереозрения решаются путем применения алгоритмов автоматической оценки геометрических различий между фотографиями или кадрами видео. Примером может служить стабилизация видеоизображения, при которой полностью или частично компенсируется движение одного из объектов в кадре и вследствие большей четкости сюжетно важных деталей улучшается качество изображения. Применяя алгоритмы определения деталей, можно получить и извлечь характерные особенности для каждого из сравниваемых кадров. Далее определяются и отображаются возможные соответствия между ними – результатом этого процесса становится множество точек, представляющих интерес, включая некоторое количество погрешностей, которые затем можно устранить. Завершением данного процесса является геометрическое преобразование для выравнивания изображения.

Во-вторых, «Computer Vision System Toolbox» может быть использован для обнаружения объектов, оценки их движения и отслеживание перемещений. Обнаружение объекта представляет собой его идентификацию на изображении; оно может быть реализовано при помощи различных методов – методов поиска по шаблонам, анализа блоком или при помощи алгоритма Виолы-Джонса. При поиске по шаблонам применяются маленькие изображения или шаблон для поиска участков соответствия на большом изображении. Для анализа блоков характерна сегментация и определение свойств блока для идентификации представляющих интерес объектов. Метод Виолы-Джонса предназначен для идентификации интересующих объектов; с его помощью можно распознавать различные классы изображений, однако основной задачей при его создании было обнаружение лиц. Примечательно, что данный алгоритм характеризуется высокой точностью распознавания лиц и низким количеством ложных срабатываний.

Оценка движения объекта – это процесс определения перемещения блоков между соседними кадрами. При этом создаются векторы движения, относящиеся ко всему изображению, блокам, произвольным областям или конкретным пикселям. Для отслеживания перемещений объекта применяют специальные алгоритмы, с помощью которых можно отследить траекторию движения как отдельных, так и множественных объектов.

В-третьих, «Computer Vision System Toolbox» включает различные инструменты по обработке видео. Данный пакет работает с большинством распространенных форматов файлов мультимедиа (в том числе AVI, MPEG и WMV), предоставляя широкие возможности просмотра видеозаписи. Например, одновременно можно просматривать исходное видеоизображение и изображение с выделенными на нем участками слежения.  Можно обрабатывать видеоизображения при помощи таких алгоритмов, как деинтерлейсинг (процесс создания одного кадра из двух полукадров чересстрочного формата) и передискретизация (изменение объема данных изображения при изменении его размеров в пикселях или разрешения). Кроме этого, результаты обработки видео можно отображать с наложениями текста или графики – это позволит облегчить отладку работы системы и улучшить визуальное восприятие полученной информации. Например, при обнаружении и выделении деталей изображения можно пометить их специальными маркерами, а после отслеживания перемещений объекта – графически отобразить траекторию его движения.

«Image Processing Toolbox» представляет собой один из пакетов расширений «MATLAB», содержащий полный набор типовых эталонных алгоритмов для обработки и анализа изображений. К ним относятся такие функции, как фильтрация, частотный анализ, улучшение изображений, морфологический анализ и распознавание. Данное расширение «MATLAB» предоставляет пользователю широкие возможности для обработки и анализа графических изображений, так как обладает чрезвычайно гибким интерфейсом. Кроме этого, такая особенность «MATLAB», как матрично-векторное описание, делает пакет крайне удачно приспособленным для решения практических задач по представлению и исследованию графики.

«Image Processing Toolbox» может работать с изображениями, полученными с различных устройств – от микроскопов и телескопов до цифровых камер и спутниковых и авиационных бортовых датчиков. Эксперт может визуализировать, анализировать и обрабатывать данные изображения в виде различных типов данных, включая числа с плавающей точкой с двойной и одинарной точностью, 8-, 16-, и 32-битные целые.

«Image Processing Toolbox» даёт возможность максимально точно настраивать отображение графического файла. Можно представить несколько изображений в одном окне, добавить комментарии, а также построить гистограммы, профили, контурные графики. Кроме этого, в «Image Processing Toolbox» имеется инструментарий по отображению видео и серий кадров для покадрового просмотра видео.

В дополнение к функциям отображения, «Image Processing Toolbox» имеет интерактивный модуль для анализа изображений. С его помощью можно получить информацию об изображении, применить инструменты увеличения и смещения по изображению, а также подробно рассмотреть определённую область пикселей. Эксперт может интерактивно выбирать и изменять область интереса, при этом форма данной области может быть любой – как точки, линии и геометрические фигуры, так и объекты произвольной формы.

Также имеется возможность интерактивно обрезать изображение, настраивать его контрастность, измерять расстояния. Этот модуль доступен в составе Image Tool или в виде отдельных функций, которые могут быть использованы для создания пользовательских интерфейсов.

С помощью программных средств эксперт может применять следующие методы по улучшению качества видеоизображений: усиление резкости, изменение перспективы, увеличение размеров исследуемого изображения, кадрирование, удаление шумов, коррекцию искажений и преобразование всенаправленных камер в панорамы.

Из результатов анализа источников следует, что при судебно-экспертном исследовании изображений среда «MATLAB» широко не применяется. Возможно, это связано с тем, что, в отличие от специализированных программ для работы с графикой (например, «Adobe Photoshop»), для применения данного программного продукта необходимы минимальные знания языка «MATLAB». Однако наличие у эксперта подобных знаний предоставляет гораздо больше возможностей для производства экспертизы. Например, при использовании обычных графических редакторов эксперт может использовать лишь тот функционал, который был изначально заложен разработчиком; при применении же средств «MATLAB» возможности эксперта практически безграничны, поскольку он может адаптировать функционал данного продукта под частные экспертные задачи. Кроме этого, написание скриптов для решения типовых экспертных задач и дальнейшее их использование может стать существенной возможностью частичной автоматизации экспертной деятельности.

Длительность видеограммы, которую необходимо исследовать эксперту, может составлять от нескольких секунд до нескольких часов. В связи с этим решение некоторых экспертных задач может стать весьма затруднительным и потребовать существенных временных затрат. В частности, перед экспертом может стоять задача обнаружения запечатленных на видеозаписи лиц с последующей выборкой отдельных кадров, на которых изображения лиц людей будут наиболее информативными. При этом просмотр в ускоренном режиме может привести к пропуску интересующей следствие информации: во-первых, в таком режиме просмотра быстрее наступает усталость зрительных органов чувств, вследствие чего восприятие изображение может ухудшиться; во-вторых, объект интереса может быть запечатлен на видеограмме в течение нескольких секунд, и в ускоренном режиме его появление может остаться незамеченным. В связи с этим при подготовке материалов для назначения экспертизы целесообразно применить методы, основанные на алгоритмах автоматического обнаружения лиц.

Лицо – наиболее индивидуальная и узнаваемая часть человеческого тела. Именно по целостному восприятию лица мозг идентифицирует отдельную личность. Примечательно, что слова «лицо» и «личность» являются однокоренными, при этом понятие «лицо» в переносном смысле обозначает человека как такового (например, в нормативных актах).

Так как лицо является подвижной системой, имеющей множество различных выражений, то для изучения возможностей обнаружения и распознавания лица человека необходимо понимать его анатомию. В основе данной возможности лежит продиктованная генетической комбинацией индивидуальность формы, размеров и взаимосвязей черт лица конкретного человека, благодаря которой можно отличить одно лицо от другого [2, c. 218].

Автоматическое выделение лица на изображении является одним из практических применений теории распознавания образов. Результат применения данной технологии зависит от таких параметров, как ракурс съемки, положение головы, условия освещенности, качество видеозаписи и др.

Среди современных методов обнаружения и распознавания лиц необходимо выделить следующие:

1. Поиск объекта по шаблону. Для реализации данного метода выбирается шаблон – лицо, которое является «усредненным». Его получение достигается путем выделения одинаковых областей лица на изображениях с их последующим сравнением, при этом совпадение областей увеличивает меру сходства между изображениями. Недостатком данного метода является существенная затрата вычислительных ресурсов при небольшом диапазоне возможностей: так, при изменениях ракурса съемки или выражения лица точность обнаружения заметно снижается.
2. Метод главных компонент. При решении задач распознавания лиц этот метод (также известный, как метод собственных лиц), является одним из наиболее популярных. Данный метод работает путем представления исходного множества изображений в виде наборов главных компонент таких изображений, получении векторов для каждого из наборов и вычислении общих векторов исходного набора на основе векторов отдельных наборов. При этом изображение, соответствующее каждому из векторов, имеет форму лица. Недостатком данного метода также являются большие вычислительные затраты.
3. Метод Виолы-Джонса. Для поиска лиц на видеоизображениях в режиме реального времени данный метод является весьма высокоэффективным, обладая низкой вероятностью ложного обнаружения лица. Достоинством метода является возможность обнаружения черт лица при ракурсе съемки под углом до 30°, при этом точность распознавания достигает 90%. Метод основан на интегральном представлении изображения и использовании признаков Хаара (применяемые для распознавания образов признаки цифрового изображения: например, общим для изображений человеческих лиц является то, что область глаз темнее области щек).

Успешность применения какого-либо из данных методов обнаружения и распознавания лиц на изображении неразрывно связана с таким понятием, как качество изображения. Качество изображения характеризуется совокупностью следующих параметров: разрешение, фокус, сжатие и освещенность [3, с. 74].

Разрешение является мерой четкости деталей изображения и исчисляется в пикселях на дюйм. Чем больше количество пикселей, используемых для представления изображения, тем больше будет его верность с объектом, который он представляет; чем меньше пикселей используется, тем точность будет хуже. С отсутствием верности будет сопутствующее снижение точности и точности размещения антропометрических ориентиров. При этом разрешение области интереса (лица) может отличаться от разрешения всего изображения в зависимости от его местоположения. Например, если на изображении есть две лица, одно близко, а второе – далеко, то более близкое лицо будет иметь более высокое разрешение, чем то, которое находится дальше.

Измерение фокуса основывается на методах, используемых в функции автоматической настройки фокуса многих камер. Алгоритмы автоматического фокуса работают, максимально увеличивая меру локализованного контраста в изображении. Когда изображение выглядит «мягким» и нечетким из-за недостатка фокуса, значения пикселей мало изменяются в небольшой окрестности, а значение контрастности будет низким; когда изображение находится в фокусе, значение контраста будет максимальным.

Сжатие изображений – это применение алгоритмов сжатия данных к изображениям, хранящимся в цифровом виде. Результатом сжатия является уменьшение размера изображения и время его передачи по сети. Цифровое сжатие может применяться как с потерями для качества изображения, так без его потерь. Результаты применения алгоритмов сжатия с потерями качества при увеличении степени сжатия могут быть весьма заметны человеческому глазу.

Освещенность — световая величина, равная отношению светового потока, падающего на малый участок поверхности, к его площади. Чрезмерно низкий или, наоборот, высокий уровень освещенности отрицательно влияет на качество изображения, и его информативность существенно снижается.

Автоматизация процесса обнаружения запечатленных на видеозаписи лиц в среде «MATLAB» может быть реализована с помощью метода Виолы-Джонса, поскольку данный алгоритм был создан, в первую очередь, именно для этой цели и его использование представляется наиболее эффективным.

В наборе инструментов «Computer Vision System Toolbox» обнаружение объектов с использованием алгоритма Виолы-Джонса осуществляется системным объектом «vision.CascadeObjectDetector». В нем алгоритм Виолы-Джонса применяется для обнаружения лиц и его частей. По умолчанию данный детектор настроен на обнаружение лиц, но можно указать другие типы объекта: лицо анфас или в профиль, один глаз или их пара, нос, рот, а также верхняя часть тела. Для поиска лиц на видеозаписи данный детектор может быть применен следующим образом: сначала по умолчанию детектор настроен для обнаружения лиц людей, а затем для повышения эффективности и точности результата применения данного детектора среди обнаруженных лиц выбираются те, на которых удалось обнаружить нос. Данное решение обусловлено малым, но имеющим место количеством обнаружения посторонних объектов, ошибочно принятых за человеческое лицо.

Важным моментом является выбор частоты обработки кадров видеограммы. Например, при кадровой частоте 50 кадров в секунду представляется нецелесообразным обработка каждого кадра, поскольку это требует существенных затрат вычислительной мощности при большой схожести кадров между собой. Однако посекундная обработка (то есть по одному кадру из каждых 50) может быть недостаточно эффективной ввиду пропуска кадров, содержащих значимую для следствия информацию. Наиболее оптимальной представляется сокращение частоты обработки кадров в два раза – таким образом, кадры будут обработаны через один, что существенно ускорит процесс исследования без потери его эффективности.

При обнаружении детектором лица отображается кадр видеозаписи, на котором данное лицо было найдено; при этом для наглядного представления лицо обводится в квадратную рамку. Затем изображение каждого лица автоматически записывается в отдельный графический файл с присвоенным ему порядковым номером. Результатом работы является автоматически выгруженная в отдельную папку «галерея» всех обнаруженных на видеограмме лиц.

В заключение работы необходимо сказать, что посредством анализа видеоизображений при производстве судебной видеотехнической экспертизы могут быть решены важнейшие для осуществления правосудия задачи. Поэтому необходимо использовать существующие и разрабатывать новые более современные и эффективные методы и приемы решения данных задач, основанные на новейших достижениях науки и техники.

Следует уточнить, что при производстве автотехнической экспертизы эксперт руководствуется данными, содержащимися в представленных ему фото или видеофайлах об обстоятельствах ДТП. Однако инструментальные методы исследования видео и фотоизображений выходят за рамки специальных знаний эксперта-автотехника. В данном случае назначается комплексная фотовидеотехническая и автотехническая экспертиза обстоятельств дорожно-транспортных происшествий [2, с. 68].
Задачей комплексного автотехнического, фототехнического и видеотехнического исследования являются установление:
— времени, прошедшего между определенными событиями;
— расстояния между участниками движения;
— скорости движения транспортного средства или скорости (темп) движения пешехода;
– траектории движения транспортного средства или пешехода;
– наличия объектов, которые могли бы ограничивать обзорность;
– наличия объектов, которые могли бы создавать препятствие или опасность для движения;
— режима работы световых приборов транспортных средств и светофорных объектов [3, с. 63].
Идентификационными задачами данной комплексной экспертизы являются:
— определение марки и модели транспортного средства по видеозаписям и фотоизображениям;
— определение принадлежности следов, оставленных на проезжей части, транспортном средстве и т.п.;
— определение размера (длины) следов и их привязки к стационарным объектам и транспортным средствам;
— определение расположения и траектории транспортного средства на проезжей части во время его движения;
— определение взаимного расположения транспортных средств на определенных отрезках времени, определение места столкновения (наезда) [4, 393].
Перечень вопросов может быть следующий:
— Какой была скорость движения транспортного средства или пешехода перед столкновением (наездом)?
— Какое время прошло с момента возникновения опасности до момента столкновения (наезда)?
— Какое расстояние преодолели транспортное средство или препятствие с момента возникновения опасности до столкновения (наезда)?
— Каков был сигнал светофора на перекрестке в определенный момент (временной интервал)?
— Размер (длина) следов транспортного средства, на каком расстоянии от стационарных (неподвижных) объектов они расположены?
К методам комплексного исследования видеозаписи по установлению скорости движения транспортного средства относятся:
– определение скорости транспортного средства с известными размерами недвижимых объектов и элементов дорожной разметки;
– определение скорости транспортного средства по его габаритам (колесной базой или длиной) [5, с. 15].
Однако не каждая видеозапись может быть использована экспертами для полного и всестороннего исследования механизма ДТП. Видеозапись должна иметь достаточное разрешение, а именно, должны быть четкие контуры объектов (автомобиля, пешехода), в отношении которых проводится исследование. Должны присутствовать достаточно информативные «маркеры» (ширина проезжей части, дорожная разметка, столбы и т.д.).
Видеозапись — это последовательная смена кадров на экране, которая позволяет наблюдать динамику движения [6, с. 7]. Поэтому, чем больше частота кадров видеозаписи, тем более точно возможно установить положение объектов, в отношении которых проводится исследование в соответствующие промежутки времени.
Основное значение имеет установление того, что произошло на первой стадии механизма происшествия (сближение ТС с препятствием, пешеходом или с другим автомобилем), то есть, когда водитель мог и должен был оценить дорожную обстановку как опасную и принять необходимые меры. В частности, установить объективный характер движения участников ДТП до столкновения или наезда.
Для определения скорости движения транспортного средства необходимо определить временной промежуток, в течение которого это транспортное средство проезжает расстояние известной длины. В зависимости от объектов, попадающих в объектив видеокамеры, можно использовать размер объектов на местности, мимо которых проезжает автомобиль или же положение одной и той же точки на автомобиле в разные моменты времени. Зная частоту кадров видеозаписи, можно высчитать значение скорости движения транспортного средства по формуле равномерного движения.
Обобщенный алгоритм решения данной задачи можно свести к следующим пунктам:
– анализ видеозаписи (пригодная или не пригодная видеозапись для исследования), ее раскадровка;
– избрание опорных кадров с видеозаписи, по которым можно четко позиционировать положение транспортного средства относительно его габаритов или неподвижных объектов (в зависимости от выбранного метода исследования);
– определение количества кадров (времени), за которые транспортное средство преодолевает расстояние между опорными кадрами;
– определение скорости движения транспортного средства;
– определение погрешности вычислений;
– формулирование выводов.
Наличие видеозаписи обстоятельств дорожно-транспортного происшествия дает экспертам возможность определить время движения транспортного средства и расстояние, которое он преодолел, а, следовательно, и скорость его движения.
Используя программное обеспечение (например, «Amped FIVE»), позволяющее покадрово просматривать видео, фиксируется порядковый номер необходимых кадров, и производятся расчеты для определения скорости движения автомобиля по следующей формуле равномерного движения:

Х – расстояние от заданной начальной до заданной конечной точки;
К₁ – порядковый номер кадра, соответствующий заданной начальной точке;
К₂ – порядковый номер кадра, соответствующий заданной конечной точке;
К_s – количество кадров в 1 секунде, предоставленной видеозаписи.
Для примера использована запись с камеры автомобильного видеорегистратора, с помощью программы «Amped FIVE», установлено, что автомобиль максимально приблизился к первой контрольной отметке на 17209 кадре, ко второй контрольной отметке на 17357 кадре. Расстояние между контрольными отметками заранее известно и составляет 50 м.

Рисунок 2. Конечный кадр исследуемого видеофайла «PICT0033». Момент проезда автомобиля второй контрольной отметки

Установленная с видеозаписи скорость движения транспортных средств является средней на соответствующем участке. Чем больше отрезков будет использовано при установлении экспертом скорости по видеозаписи, тем более точного значения можно добиться в конкретный момент времени.
Важным элементом для прикладного применения приведенного алгоритма является достаточность количественных данных, необходимых для проведения расчетов. При определении скорости движения транспортного средства, исходя из размеров неподвижных объектов и элементов дорожной разметки, должны быть известны размерные характеристики выбранных для исследования объектов, если их невозможно установить экспертным путем из видеофайла. Указанные количественные данные могут быть установлены путем проведение натурных замеров именно на той области, которая запечатлена на видеозаписи и необходима для проведения исследования.
Недостаточность количественных данных также имеет место при определении скорости движения транспортного средства [7, с. 88]. В частности, в экспертной практике имеют место случаи, когда в предоставленных на исследования материалах отсутствуют размерные характеристики. В таких случаях, если это возможно, перед комплексным анализом видеозаписи для установления скорости движения, определяется марка и модель транспортного средства. На основе данных относительно марки и модели транспортного средства определяется величина колесной базы или габаритной длины кузова, которая в последующем используется при определении скорости его движения, заменяя другие размерные характеристики.