Трасологические исследования следов обуви и автомобильных шин играют ключевую роль при раскрытии и расследовании преступлений, поскольку позволяют установить механизм события, а также решить задачи групповой и индивидуальной идентификации следообразующих объектов [9; 10]. Массовое распространение серийной обуви и шин, рост числа имущественных преступлений и наличие значительного массива нераскрытых дел приводят к резкому увеличению количества изымаемых следов, требующих экспертного исследования [11].

Традиционный визуальный сравнительный анализ общих и частных признаков требует высокой квалификации эксперта, значительных временных затрат и подвержен субъективным ошибкам, особенно при работе с крупными картотеками [10; 11]. В этих условиях применение искусственного интеллекта и автоматизированных информационно‑поисковых систем в трасологии выступает не просто техническим новшеством, а фактором, способным изменить организацию экспертной деятельности и повысить ее эффективность [1; 5].

В классической трасологии следы обуви и шин классифицируются по механизму образования, виду отображения и природе следовоспринимающего объекта [9; 10; 12]. Выделяют объемные следы (в грунте, снегу, пластичных массах) и поверхностные следы (наслоения и отслоения на твердых поверхностях) [12]. По частям подошвы различают следы носочной, подметочной, каблучной зон и отображения рисунка протектора; для шин — следы беговой дорожки протектора, боковины покрышки и колеи транспортных средств [9; 10].

Криминалистически значимыми признаками являются общие (форма, размеры, конфигурация и шаг элементов протектора, ширина беговой дорожки) и частные (индивидуальные дефекты, следы износа, посторонние включения, ремонтные вставки), которые в совокупности обеспечивают возможность индивидуальной идентификации конкретной пары обуви или шины [10; 13]. На этой основе строятся традиционные методы сравнительного исследования: сопоставление, совмещение (наложение), масштабное фотографирование и микроскопический анализ [9; 13].

В научной литературе выделяются две группы мнений относительно потенциала автоматизации. Представители одной подчеркивают «незаменимость» эксперта‑трасолога и считают, что компьютерные программы могут выполнять лишь вспомогательные функции фиксации и визуализации, но не анализа совпадений [8; 14]. Сторонники другой позиции указывают, что алгоритмы обработки изображений при наличии достаточного массива обучающих данных способны выявлять сложные конфигурации признаков и существенно сокращать объем ручной работы, не подменяя, а дополняя экспертный вывод [1; 3; 5; 6]. В настоящей работе поддерживается вторая точка зрения: интеллектуальные системы рассматриваются как инструмент повышения качества и скорости исследования при сохранении за экспертом функции вынесения заключения.

Классические методы трасологического исследования следов обуви и шин включают метод сопоставления, метод совмещения (наложения прозрачных копий, фотоснимков или сканов) и метод масштабного фотографирования с последующим микроскопическим анализом [9; 10; 13]. При работе с ограниченным числом объектов эти методы обеспечивают высокую надежность результатов, однако их эффективность резко падает при необходимости обработки сотен и тысяч следов [11].

Практика показывает, что при большом объеме картотек ручной поиск и сопоставление становятся чрезвычайно трудоемкими и фактически невыполнимыми в разумные процессуальные сроки; возрастает риск пропуска совпадений, особенно при низком качестве или частичной сохранности следов [1; 11]. Кроме того, значительная часть признаков носит вероятностный характер и требует статистической обработки, что трудно реализовать исключительно визуальными методами [5; 6]. Эти обстоятельства объективно обусловливают необходимость автоматизации отдельных стадий исследования: цифровой фиксации, предварительной фильтрации и формирования ранжированных списков наиболее вероятных совпадений.

Переход к автоматизированным методам в трасологии начался с разработки информационно‑поисковых систем, позволяющих оцифровывать, хранить и автоматически сопоставлять изображения следов [1; 5; 15]. Ряд отечественных программных комплексов ориентирован на создание экспертных баз данных, где каждая запись включает изображение следа, сведения об обстоятельствах его обнаружения, тип поверхности, параметры протектора и др., что обеспечивает поиск по совокупности признаков и формирование списка наиболее близких объектов [1; 5; 15].

В зарубежной практике одним из известных примеров является Footwear Impression Database (FID), включающая как реальные следы с мест происшествий, так и обширную коллекцию эталонных оттисков подошв, используемую для тестирования и калибровки алгоритмов сопоставления [2; 3]. Исследования полуавтоматических систем кодирования и сравнения показывают, что при работе с несколькими сотнями реальных следов такие системы позволяют получить совпадение по модели обуви примерно в трети случаев, при этом соответствующий образец занимает верхние позиции в ранжированном списке [3; 4; 6]. Эти данные свидетельствуют о практической эффективности ИИ‑подходов как инструмента криминалистической разведки и выявления серийных преступлений.

Коммерческие системы автоматического сопоставления следов обуви, основанные на алгоритмах машинного обучения и глубоких нейронных сетях, оперируют базами, насчитывающими десятки тысяч цифровых изображений подошв. Они обеспечивают автоматический отбор наиболее похожих образцов и тем самым сокращают время экспертного поиска [7]. При этом окончательное решение о тождестве или различии объектов принимает эксперт, оценивающий как результаты автоматического анализа, так и данные традиционного исследования.

Отечественные авторы отмечают, что уровень автоматизации трасологических экспертиз по следам обуви в России остается сравнительно невысоким [1; 5; 11]. Анализ работы экспертно‑криминалистических подразделений МВД России показывает, что информационные технологии нередко сводятся к использованию графических редакторов для выделения признаков, наложения изображений и построения координатных сеток, тогда как полноценные информационно‑поисковые системы внедрены эпизодически [1; 11; 15].

Показательны данные исследования, проведенного на базе экспертно‑криминалистического отдела Управления МВД России по г. Нижнему Новгороду, где было изучено 243 заключения по следам подошв обуви за 2019–2022 гг. [1]. В 59 экспертизах решались идентификационные задачи, при этом лишь в двух случаях был сделан категорический вывод о тождестве, в одном — вероятный вывод, а в остальных — вывод о групповой принадлежности; в 184 экспертизах решались диагностические задачи по установлению пригодности следов для идентификации, причем во многих случаях эксперты указывали на возможность решения вопроса лишь при наличии проверяемой обуви [1]. Информационные технологии использовались преимущественно в виде графических редакторов; системы автоматического сопоставления изображений не применялись [1].

Таким образом, в российской практике складывается противоречие: с одной стороны, существует объективная потребность в автоматизации трасологических исследований, с другой — отсутствует достаточная нормативная, методическая и техническая база для массового применения систем искусственного интеллекта.

Анализ научных публикаций и экспертной практики позволяет выделить несколько ключевых проблем, препятствующих широкому внедрению ИИ‑технологий в трасологию.

Во‑первых, недостаточная изученность механизма следообразования с учетом свойств следовоспринимающих поверхностей. Дальнейшее совершенствование технологий невозможно без накопления данных об особенностях механизма следообразования в зависимости от вида и состояния следовоспринимающего объекта; в настоящее время эта специфика исследована недостаточно, особенно в отношении объемных следов обуви [1; 11; 12].

Во‑вторых, отсутствуют единые стандарты представления и обмена цифровыми данными. Различные лаборатории используют несогласованные форматы хранения, различные разрешения и условия съемки, что снижает сопоставимость материалов и затрудняет формирование общих баз данных [5; 8; 15].

В‑третьих, сохраняется проблема валидации и оценки надежности алгоритмов. Несмотря на наличие зарубежных работ по оценке точности и устойчивости алгоритмов сопоставления, вопрос адаптации этих моделей к российским условиям, с учетом особенностей структуры преступности и парка обуви/шин, остается открытым [3; 4; 6].

В‑четвертых, не урегулирован в полной мере процессуальный статус результатов, полученных с использованием ИИ. Уголовно‑процессуальное законодательство прямо не регламентирует применение систем искусственного интеллекта в судебной экспертизе, что порождает дискуссии о допустимости таких данных как доказательств и о пределах раскрытия информации об алгоритме сторонам процесса [8; 14; 16].

В‑пятых, часть научного сообщества выражает опасения по поводу «черного ящика» ИИ. Непрозрачность работы сложных моделей и отсутствие интуитивно понятного объяснения полученного совпадения могут снижать доверие суда и участников процесса к экспертному заключению; в ответ предлагаются подходы, основанные на интеграции ИИ‑расчетов в традиционную методику и обязательном экспертном контроле [4; 8; 16].

Мы исходим из того, что перечисленные проблемы носят разрешимый характер и свидетельствуют не о неприемлемости ИИ, а о необходимости его осмысленной и нормативно урегулированной интеграции в существующую систему экспертной деятельности.

С учетом рассмотренных проблем представляется целесообразным обозначить следующие направления развития применения искусственного интеллекта в трасологии.

Во‑первых, формирование многоцентровых национальных баз следов обуви и шин. На основе кооперации экспертных учреждений возможно создание стандартизированных коллекций цифровых изображений следов с подробным описанием условий их образования и свойств следовоспринимающих поверхностей, что обеспечит качественный обучающий материал для алгоритмов и повысит репрезентативность статистических выводов [1; 2; 11; 15].

Во‑вторых, разработка единых методических рекомендаций по цифровой фиксации и предварительной обработке следов. Стандартизация разрешения съемки, ракурса, калибровки масштаба и методов фильтрации изображений позволит снизить вариативность данных и повысить точность автоматического анализа [5; 8; 15].

В‑третьих, проведение валидационных исследований с использованием реальных и модельных данных. Необходимо систематически проверять точность и устойчивость алгоритмов ИИ на независимых выборках следов, включая «сложные» случаи (частичные, смазанные, с помехами), а также вырабатывать методику интерпретации полученных вероятностных оценок для нужд судебной экспертизы [3; 4; 6].

В‑четвертых, требуется нормативное закрепление условий использования ИИ‑систем в экспертизе. Разработка положений, определяющих требования к программным средствам, порядок их сертификации, тестирования и документирования, позволит снять часть опасений сторон процесса и обеспечить предсказуемость судебной практики [8; 14; 16].

В‑пятых, необходимо уделять внимание подготовке и переподготовке экспертов. В учебные планы следует включать дисциплины, посвященные основам цифровой обработки изображений, машинного обучения и работе с экспертными информационно‑поисковыми системами, что позволит экспертам осознанно использовать ИИ‑инструменты и критически оценивать их результаты [9; 10; 13].

В‑шестых, важна интеграция ИИ‑систем в повседневную работу подразделений: от предварительного фильтра подозреваемых образцов до выявления серийных преступлений по совпадающим следам обуви и шин, по аналогии с дактилоскопическими информационными системами [5; 7; 15].

Применение искусственного интеллекта в трасологии отвечает насущным потребностям экспертно‑криминалистической деятельности, обусловленным ростом массива исследуемых следов и ограничениями традиционных визуальных методов. Зарубежные полуавтоматические системы кодирования и сравнения следов обуви демонстрируют реальную эффективность при обнаружении совпадений и выявлении серийных преступлений, снижая нагрузку на эксперта и повышая вероятность обнаружения скрытых связей между эпизодами [2–4; 6; 7]. В отечественных условиях уровень автоматизации пока остается невысоким, что связано с отсутствием репрезентативных баз данных, единых стандартов цифровой фиксации, полноценной валидации алгоритмов и нормативного регулирования [1; 5; 11; 15].

Сравнительный анализ научных позиций позволяет заключить, что искусственный интеллект не подменяет эксперта‑трасолога, а выступает инструментом повышения объективности, воспроизводимости и доказательственной значимости трасологических исследований. Реализация обозначенных в статье направлений — создание национальных баз данных, стандартизация цифровой фиксации, проведение валидационных исследований, нормативное закрепление применения ИИ‑систем и подготовка специалистов — создаст предпосылки для безопасной и научно обоснованной интеграции искусственного интеллекта в практику трасологической экспертизы [1; 4–8; 11].

Литература:

1. Юматов С. В. Перспективы совершенствования трасологических исследований следов обуви // Вестник Уральского юридического института МВД России. 2023. № 1. С. 75–81.
2. FID — Footwear Impression Database. URL: https://fid.dmi.unibas.ch (дата обращения: 29.04.2026).
3. de Boer P. et al. The Next Step: A semi‑automatic coding and comparison system for forensic footwear impressions // Forensic Science International. 2022. Vol. 337. P. 111360.
4. de Boer P. et al. Technical note: The Next Step — a semi‑automatic coding and comparison system for forensic footwear impressions. Preprint. 2024. URL: https://bohrium.dp.tech/paper/arxiv/35839684 (дата обращения: 29.04.2026).
5. Ross A. et al. Forensic footwear examination: a systematic review of the existing literature. Preprint. 2024. URL: https://bohrium.dp.tech/paper/arxiv/5924f37c… (дата обращения: 29.04.2026).
6. TechXplore. How automation is assisting forensic scientists in shoe print identification. 11.02.2024. URL: https://techxplore.com/news/2024–02-automation-forensic-scientists-identification.html (дата обращения: 29.04.2026).
7. Automated Shoeprint Matcher System — EverASM. Everspry. URL: https://en.everspry.com/products/everasm (дата обращения: 29.04.2026).
8. Россинская Е. Р., Галяшина Е. И., Зинин А. М. Теория судебной экспертизы (судебная экспертология): учебник. 2‑е изд., перераб. и доп. М.: Норма; Инфра‑М, 2019.
9. Россинская Е. Р. Криминалистика. Учебник. М., 1999.
10. Трасология и трасологическая экспертиза: учебник. СПб.: Изд‑во СКСЭ, 2020.
11. Фиксация и изъятие поверхностных и объемных следов ног: учеб.-метод. пособие. Пенза: ПГУ, 2017.
12. Плиев А. Л. Криминалистическая трасология: учебное пособие. Владикавказ: Владикавказский институт управления, 2012.
13. Методика трасологической экспертизы следов обуви // Криминалистические исследования. 2020.
14. Майлис Н. П. Криминалистическая трасология как теория и система методов решения задач в различных видах экспертиз: автореф. дис. … д‑ра юрид. наук. М., 1992.
15. Данилов И. А. Развитие организации ведения трасологических учетов, возможности автоматизации // Судебная экспертиза: прошлое, настоящее и взгляд в будущее: матер. междунар. науч.-практ. конф. СПб., 13 мая 2021 г. СПб.: СПб ун‑т МВД России, 2021. С. 139–148.
16. Кокин А. В. Судебная экспертиза в эпоху четвертой индустриальной революции (Индустрии 4.0) // Теория и практика судебной экспертизы. 2021. Т. 16. № 2. С. 29–36.