Abstracts
Résumé
L’objectif de cet article est de cristalliser de manière pragmatique les enjeux et perspectives de la reconnaissance faciale en sciences criminelles pour acquérir une meilleure connaissance des limitations et des opportunités offertes par ces technologies, essentielles à leur application au sein du système judiciaire. Nous postulons que cette réflexion doit s’inscrire dans une approche interdisciplinaire qui intègre l’utilisation d’algorithmes en considérant les spécificités de la criminologie et de la science forensique. Cet éclairage permet d’établir un bilan de l’utilisation de la reconnaissance faciale en le scindant en questions fondamentales. Quelles sont les images utilisées en reconnaissance faciale ? Comment sont-elles comparées ? Quels objectifs la reconnaissance faciale sert-elle ? Où est-elle mise en oeuvre et par quels acteurs ? Cette subdivision permet de mieux situer les enjeux et limites de la reconnaissance faciale, ainsi que les perspectives de développement et de recherche. Sur le plan des données elles-mêmes, l’enjeu principal concerne leur qualité originale puis sa dégradation potentielle aux stades de collecte et de sauvegarde des images, qui influencent leur utilisation ultérieure. Pour ce qui est des méthodes, les enjeux se cristallisent autour du manque de standardisation et de transparence, aussi bien lors de tâches exécutées par l’être humain que par un système automatique. Concernant les objectifs des tâches de reconnaissance faciale dans les domaines civil et judiciaire, les enjeux gravitent autour de la protection de la sphère privée et des libertés individuelles. Enfin, les principaux défis soulevés par son utilisation comme moyen de preuve au tribunal concernent la communication, ainsi que la standardisation et la validation méthodologique.
Mots-clés :
- Reconnaissance faciale,
- image,
- action de sécurité,
- science forensique,
- élément de preuve
Abstract
This article reviews practical challenges to and perspectives on the use of face recognition in criminal science. A better understanding of the limitations and opportunities of this technology is essential to determining how it should be used in the judicial system. We suggest that this reflection must be part of an interdisciplinary approach that integrates the use of algorithms while taking into account the unique characteristics of both criminology and forensic science. Determining the state of the art in the use of face recognition requires answering several fundamental questions. What sort of images are used in face recognition ? How are they compared ? What objectives does face recognition serve ? Where is it implemented and by whom ? These questions – and their answers – allow us to identify the challenges and shortcomings of face recognition, as well as perspectives on its development and research. At the data level, the main issue concerns the quality of the original image and its potential degradation during collection and storage, which can influence its subsequent use. At the methodological level, the stakes involve the lack of standardisation and transparency in tasks carried out by both humans and automatic systems. When looking at face recognition as used in the civil and judicial domains, questions arise around how to protect privacy and individual liberties. Finally, the main challenges raised by its use as evidence in court concern communication, as well as standardisation and methodological validation.
Keywords:
- Face recognition,
- image,
- policing,
- forensic science,
- evidence
Resumen
El objetivo de este artículo es cristalizar de forma pragmática los desafíos y perspectivas del reconocimiento facial en las ciencias penales para adquirir un mejor conocimiento de los límites y oportunidades ofrecidos por estas tecnologías, que son esenciales para su aplicación en el sistema judicial. Postulamos que esta reflexión debe inscribirse dentro de una aproximación interdisciplinaria que integre el uso de algoritmos, considerando las especificidades de la criminología y de la ciencia forense. Este esclarecimiento permite establecer un estado del arte sobre el uso del reconocimiento facial, recortándolo en preguntas fundamentales : ¿Cuáles son las imágenes utilizadas para el reconocimiento facial ? ¿Cómo son comparadas ? ¿Cuáles son los objetivos del reconocimiento facial ? ¿En dónde ha sido puesto en marcha y por qué actores ? Esta subdivisión permite situar mejor los desafíos y los límites del reconocimiento facial, así como las perspectivas de desarrollo y de investigación. En lo que tiene que ver con los datos en sí, el desafío principal concierne su calidad original y su degradación potencial en las etapas de colecta y salvado de las imágenes que influencian su posterior uso. En lo que tiene que ver con los métodos, los desafíos se cristalizan alrededor de la falta de estandarización y de transparencia, tanto como en el momento de las funciones ejecutadas por el humano, como por un sistema automático. En lo que concierne a los objetivos de las funciones de reconocimiento facial en los campos civil y judicial, los desafíos gravitan alrededor de la protección de la esfera privada y de las libertades individuales. Finalmente, los desafíos principales subrayados por su uso como medio de prueba en el tribunal conciernen la comunicación así como la estandarización y la validación metodológica.
Palabras clave:
- Reconocimiento facial,
- imagen,
- acción de seguridad,
- ciencia forense,
- elemento de prueba
Appendices
Références
- Ali, T., Veldhuis, R. et Spreeuwers, L. (2012). Forensic face recognition : A survey. Dans A. Quaglia et C. M. Epifano (dir.), Face recognition : Methods, applications and technology (p. 9‑28). Nova Publishers.
- BBC News. (2019a, 6 mars). Prison visitors get face recognition scans in drug crackdown. Repéré à https://www.bbc.com/news/uk-47461035
- BBC News. (2019b, 10 septembre). Musicians call for facial recognition ban at gigs. Repéré à https://www.bbc.com/news/technology-49647244
- Bertillon, A. (1886). De l’identification par les signalements anthropométriques. Archives de l’anthropologie criminelle et des sciences pénales, 1, 193‑223.
- Botti, F., Alexander, A. et Drygajlo, A. (2004). An interpretation framework for the evaluation of evidence in forensic automatic speaker recognition with limited suspect data. ODYSSEY 2004 – The Speaker and Language Recognition Workshop, 63‑68.
- Bromberg, D. E., Charbonneau, É. et Smith, A. (2020). Public support for facial recognition via police body-worn cameras : Findings from a list experiment. Government Information Quarterly, 37(1), 101415. https://doi.org/10.1016/j.giq.2019.101415
- Buchanan, B. G. (2005). A (very) brief history of artificial intelligence. AI Magazine, 26(4), 53‑53. https://doi.org/10.1609/aimag.v26i4.1848
- Burrell, J. (2016). How the machine ‘thinks’ : Understanding opacity in machine learning algorithms. Big Data & Society. https://doi.org/10.1177/2053951715622512
- Cagle, M. et Ozer, N. (2018). Amazon teams up with government to deploy dangerous new facial recognition technology. American Civil Liberties Union. Repéré à https://www.aclu.org/blog/privacy-technology/surveillance-technologies/amazon-teams-government-deploy-dangerous-new
- Castelluccia, C. et Le Métayer, D. (2019). Analyse des impacts de la reconnaissance faciale Quelques éléments de méthode. Grenoble, France : Inria Grenoble Rhône-Alpes.
- Clarke, R. V. et Eck, J. E. (2005). Crime analysis for problem solvers in 60 small steps. Washington, DC : Center for Problem Oriented Policing.
- Cole, S. A. et Dioso-Villa, R. (2007). CSI and its effects : Media, juries, and the burden of proof. New England Law Review, 41, 435‑469.
- Commission Nationale de l’Informatique et des Libertés. (2019). Expérimentation de la reconnaissance faciale dans deux lycées : La CNIL précise sa position. Repéré à https://www.cnil.fr/fr/experimentation-de-la-reconnaissance-faciale-dans-deux-lycees-la-cnil-precise-sa-position
- Committee on Facilitating Interdisciplinary Research. (2004). Facilitating Interdisciplinary Research. Washington, DC : The National Academy Press. Repéré à http://www.nap.edu/catalog/11153/facilitating-interdisciplinary-research
- Davies, B., Innes, M. et Dawson, A. (2018). An Evaluation of South Wales Police’s Use of Automated Facial Recognition. Universities’ Police Science Institute, Crime and Security Research Institute, Cardiff University, Royaume-Uni.
- Dessimoz, D. et Champod, C. (2015). A dedicated framework for weak biometrics in forensic science for investigation and intelligence purposes : The case of facial information. Security Journal, 29(4), 603‑617. https://doi.org/10.1057/sj.2015.32
- Dror, I. E. (2020). The error in “error rate” : Why error rates are so needed, yet so elusive. Journal of Forensic Sciences, 65(4), 1034‑1039. https://doi.org/10.1111/1556-4029.14435
- Dupont, B. (2016). Des effets perturbateurs de la technologie sur la criminologie. Revue Internationale de Criminologie et de Police Technique et Scientifique, 69(3), 305‑322.
- Dupont, B., Stevens, Y., Westermann, H. et Joyce, M. (2018). Artificial intelligence in the context of crime and criminal justice. Korean Institute of Criminology.
- Egli, N. (2009). Interpretation of partial fingermarks using an automated fingerprint identification system (Thèse de doctorat inédite). Université de Lausanne.
- Emami, C., Brown, D. R. et Smith, D. R. G. (2016). Use and acceptance of biometric technologies among victims of identity crime and misuse in Australia. Trends & Issues in Crime and Criminal Justice, 511, 6.
- European Network of Forensic Science Institutes. (2018). Best practice manual for facial image comparison (ENFSI-BPM-DI-01).
- FaceFirst. (s. d.). Face recognition for correctional facilities. Repéré à https://www.facefirst.com/industry/correctional-facility-face-recognition/
- Facial Identification Scientific Working Group. (2012). Guidelines for Facial Comparison Methods.
- Farrington, D. P., Gill, M., Waples, S. J. et Argomaniz, J. (2007). The effects of closed-circuit television on crime : Meta-analysis of an English national quasi-experimental multi-site evaluation. Journal of Experimental Criminology, 3(1), 21‑38. https://doi.org/10.1007/s11292-007-9024-2
- Foucault, M. (1975). Surveiller et punir. Paris, France : Gallimard.
- Fried, T. R. (2016). Shared decision making—Finding the sweet spot. New England Journal of Medicine, 374(2), 104‑106. https://doi.org/10.1056/NEJMp1513686
- Fussey, P. et Murray, D. (2019). Independent report on the London Metropolitan Police Service’s trial of live facial recognition technology (The Human Rights, Big Data and Technology Project). Human Right Center, University of Essex, Royaume-Uni.
- Gerber, M., Kraft, E. et Bosshard, C. (2014). Décision partagée – Médecin et patient décident ensemble. Bulletin des médecins suisses, 95(50), 1883‑1889.
- Gray, M. (2003). Urban surveillance and panopticism : Will we recognize the facial recognition society ? Surveillance & Society, 1(3), 314‑330. https://doi.org/10.24908/ss.v1i3.3343
- Grossrieder, L. et Ribaux, O. (2019). Towards forensic whistleblowing ? From traces to intelligence. Policing : A Journal of Policy and Practice, 13(1). https://doi.org/10.1093/police/pax039
- Grother, P., Ngan, M. et Hanaoka, K. (2019). Face Recognition Vendor Test (FRVT) Part 2 : Identification (National Institute of Standards and Technology – NISTIR 8238).
- Grynszpan, E. (2019, 6 mars). Moscou opte pour la surveillance totale à la chinoise. Le temps. Repéré à https://www.letemps.ch/monde/moscou-opte-surveillance-totale-chinoise
- Hane, T. (2015). La veille, une autre forme d’acquisition et de mise en valeur de l’information. Dans L’intelligence économique au service de la lutte contre le blanchiment de capitaux et le financement du terrorisme (p. 250‑269). Université de Strasbourg. https://doi.org///doi.org/10.1016/j.forsciint.2019.110124 https://doi.org/10.1016/j.forsciint.2011.06.023
- ISO/IEC 2382-37 : 2017(E). (2017). Information technology—Vocabulary -Part 37 : Biometrics (ISO/IEC 2382-37 : 2017(E)). International Organization for Standardization.
- Jacquet, M. et Champod, C. (2020). Automated face recognition in forensic science : Review and perspectives. Forensic Science International, 307(110124).
- Jendly, M. (2013). Prévenir la criminalité : Oui… Mais comment ? Charmey, Suisse : Les Éditions de l’Hèbe.
- LeCun, Y., Bengio, Y. et Hinton, G. (2015). Deep learning. Nature, 521(7553), 436‑444. https://doi.org/10.1038/nature14539
- Li, S. Z. et Jain, A. K. (2009). Encyclopedia of Biometric. New York, NY : Springer Science+Business Media, LLC.
- Marzouki, M. (2001). Enjeux des techniques de biométrie – Une première approche. Paris, France : CNIL, Association IRIS (Imaginons un réseau Internet solidaire).
- Métro. (2019, 18 octobre). La reconnaissance faciale arrive dans les aéroports. Repéré à https://journalmetro.com/techno/2389332/la-reconnaissance-faciale-arrive-dans-les-aeroports/
- Meuwly, D. (2001). Reconnaissance de locuteurs en sciences forensiques : L’apport d’une approche automatique (Thèse de doctorat inédite). Université de Lausanne.
- Miles, F. (2020, 30 août). NYPD uses facial recognition to arrest brazen sex offender accused of attempted rape on subway platform. Fox News. Repéré à https://www.foxnews.com/us/nypd-uses-facial-recognition-to-arrest-brazen-sex-offender-accused-of-attempted-rape-on-subway-platform
- Moreton, R. et Morley, J. (2011). Investigation into the use of photoanthropometry in facial image comparison. Forensic Sci Int, 212(1‑3), 231‑237.
- Noyes, E., Phillips, P. J. et O’Toole, A. J. (2017). What is a super-recogniser ? Dans Face processing : Systems, disorders and cultural differences (p. 173‑201). Nova Science Publishers Inc.
- O’Neil, C. (2016). Weapons of math destruction. New York, NY : Random House.
- Pasquale, F. (2015). The black box society. Cambridge, MA : Harvard University Press.
- Peng, Y. (2019). Face recognition at a distance : Low-resolution and alignment problems (Thèse de doctorat inédite). University of Twente.
- Perruche, F. (2019, 18 septembre). Lyon : la reconnaissance faciale utilisée lors d’un procès suscite le débat. RTL. Repéré à https://www.rtl.fr/actu/justice-faits-divers/lyon-la-reconnaissance-faciale-utilisee-lors-d-un-proces-suscite-le-debat-7798350513
- Phillips, P. J., Yates, A. N., Hu, Y., Hahn, C. A., Noyes, E., Jackson, K.,… O’Toole, A. J. (2018). Face recognition accuracy of forensic examiners, superrecognizers, and face recognition algorithms. Proceedings of the National Academy of Sciences, 115(24), 6171‑6176. https://doi.org/10.1073/pnas.1721355115
- Rainie, L. et Duggan, M. (2016). Privacy and information sharing (p. 47). Washington, DC : Pew Research Center.
- Ribaux, O. (2014). Police scientifique : Le renseignement par la trace. Lausanne, Suisse : Presses polytechniques et Universitaires Romandes.
- Robertson, B., Vignaux, G. A. et Berger, C. E. H. (2016). Interpreting evidence – Evaluating forensic science in the courtroom (2e éd.). Chichester, Royaume-Uni : John Wiley & Sons, Ltd.
- Rodriguez, A. M., Geradts, Z. et Worring, M. (2018). Validation of score-based likelihood ratio estimation for automated face recognition. Northern Ireland, 10.
- Rossy, Q., Ioset, S., Dessimoz, D. et Ribaux, O. (2013). Integrating forensic information in a crime intelligence database. Forensic Science International, 230(1), 137‑146. https://doi.org/10.1016/j.forsciint.2012.10.010
- Salas, R. (2020, 24 mars). Covid-19 – Les reconnaissances faciales chinoises et russes : entre protection sanitaire et surveillance de pointe. Influencia. Repéré à http://www.influencia.net/fr/actualites/tendance,pas-manquer,covid-19-reconnaissances-faciales-chinoises-russes-entre-protection-sanitaire-surveillance-pointe,10021.html
- Sandberg, D. (2018). Face Recognition using Tensorflow. Github. Repéré à https://github.com/davidsandberg/facenet
- SITA. (2017). The passenger IT trends survey. Montréal, Québec : Air Transport Industry Insights.
- Smith, S. M., Stinson, V. et Patry, M. W. (2011). Fact or fiction ? The myth and reality of the CSI effect. Court Review, 100(47), 4‑7.
- Tistarelli, M. et Champod, C. (2017). Handbook of biometrics for forensic science. Cham, Suisse : Springer International Publishing AG.
- Towler, A., Kemp, R. I., Burton, A. M., Dunn, J. D., Wayne, T., Moreton, R. et White, D. (2019). Do professional facial image comparison training courses work ? PLOS ONE, 14(2), e0211037. https://doi.org/10.1371/journal.pone.0211037
- Unisys Australia. (2014). Unisys Security Index Report Australia – Biometrics in Airports. Sydney, Australie.
- Wang, M., Deng, W., Hu, J., Tao, X. et Huang, Y. (2019). Racial faces in-the-wild : Reducing racial bias by information maximization adaptation network. arXiv : 1812.00194 [cs]. http://arxiv.org/abs/1812.00194
- Welsh, B. C. et Farrington, D. P. (2009). Public area CCTV and crime prevention : An updated systematic review and meta-analysis. Justice Quarterly, 26(4), 716‑745. https://doi.org/10.1080/07418820802506206
- Woodward, J. D. (2001). Super Bowl surveillance : Facing up to biometrics. RAND Corporation. Repéré à https://www.rand.org/pubs/issue_papers/IP209.html
- Daubert v. Merrell Dow Pharmaceuticals, 509 U.S. 579 (1993). United States Supreme Court.
- R v. Mohan, 2 SCR 9 (1994). Supreme Court of Canada.
- R v. Turner, 1 QB 834 (1975). Court of Appeal, UK.
- Code de procédure pénale (France). (1958). Repéré à https://www.legifrance.gouv.fr/codes/texte_lc/LEGITEXT000006071154
- Code de procédure pénale suisse. (2007). Pub. L. No. RS 312.0. Repéré à https://www.admin.ch/opc/fr/classified-compilation/20052319/index.html
- Federal Rules of Evidence. (2019). Rule 702 – Testimony by Expert Witnesses. U.S. Government publishing office.