人工智能（artificial intelligence, AI）是开发、研究用来模拟人类能力和智慧行为的理论、方法、技术, 主要研究智能化的计算模型, 获得具有推理、学习、联想、决策等能力的思维活动系统, 旨在解决诸多人脑才能胜任的复杂问题。

人工智能概念在上世纪80年代已经炒得火热, 但是软硬件两方面的技术局限使其沉寂了很长一段时间。当今, 随着大规模并行计算、大数据、深度学习算法和人脑芯片这四大催化剂的发展, 以及计算成本的降低, 人工智能技术突飞猛进。2015年, 人工智能被写入《国务院关于积极推进“ 互联网+” 行动的指导意见》; 2016年, 人工智能一词被写入“ 十三五” 规划纲要; 2017年, 十二届全国人大五次会议中“ 人工智能” 这一表述首次出现在政府工作报告中, 要“ 全面实施战略性新兴产业发展规划, 加快新材料、人工智能、集成电路、生物制药、第五代移动通信等技术研发和转化” , 意味着人工智能将进一步上升为国家战略。目前, 人工智能的技术应用主要集中在车辆分析、人员分析、行为分析、语音语义识别、图像分析、知识表示、自动推理、机器学习等几个方面。计算机通过语音识别、图像识别、读取知识库、人机交互、物理传感等方式, 获得感知输入, 运用海量数据和学习经验, 反复优化计算机程序, 模拟人类做出合理化决策方案。虽然人工智能的很多研究和应用会基于一些通用技术进行, 但在不同领域还是有所区别。

在智能手机领域, 如耳熟能详的苹果公司Siri^[1]、科大讯飞等智能语音产品, 可以向手机询问天气、美食、导航等问题; 在智能驾驶领域, 如驭势科技、Momenta、图森互联等利用人工智能解放人力、降低交通事故率^[2]; 在家庭机器人领域, 以科沃斯扫地机器人为代表的家庭服务机器人, 解决了都市上班族处理家务时间匮乏的问题; 在医疗领域, 临床决策支持、病人监控、自动化设备、医疗系统管理, 给整个医疗行业带来新的研究方向; 在金融领域, 包括智能投顾、智能客服、安防监控、金融监管等, 机器人借助人工智能技术和大数据分析, 结合投资者的财务状况、风险偏好、理财目标等, 通过已搭建的数据模型和后台算法为投资者提供量身定制的投资组合建议^[3]; 在教育领域, 包括智能评测、个性化辅导、儿童陪伴等方面, 学生如遇难题时只需用手机拍照上传到云端, 系统在一到两秒内反馈出答案和解题思路^[4]。人工智能可谓是涉及到我们生活的方方面面。

国外在人工智能预防控制犯罪方面的应用较早, 例如美国加州警察局使用的危险评估系统, 系统通过对数年的犯罪数据进行梳理, 自动找出城市中涉枪犯罪最频繁的区域, 这些经过智能标记后的街区成为警方定期重点巡逻的目标, 同时, 系统自动识别出那些可能重复犯罪的人员, 帮助警察把潜在的犯罪活动消灭在萌芽状态。人工智能在国内公共安全领域的应用主要集中在智能视频监控、人脸识别、车辆特征识别、事件监测、图像检索、视频拼接等方面^[5]。以人脸识别为例, 主要应用模式有：特殊人员预警、身份确认等。将需要重点关注的人员照片存放在系统中, 若该人员出现在监控设备覆盖的范围内, 系统提示预警, 此应用适用于地铁、火车站、机场等人员流动大的公众场合^[6]; 身份确认即确认监控设备和照片中的人是否为同一人, 可应用于需要身份认证的场所, 如小区门禁、自助超市以及需要实名制的银行业务; 车辆特征识别针对抓拍的车辆图像, 通过图像增强等技术预处理, 进行特征提取, 识别检测车辆品牌、车身颜色、车主是否系安全带、是否接打电话等信息, 适用于收费站、交通枢纽、道路卡口等。

在刑侦领域, 由安徽省公安厅开发的现场勘查“ e勘查” 应用软件, 针对多发性小案现场, 已经实现了勘查笔录、现场图及现场照片的快速简易操作、录入, 以及自动传输到现勘系统中。将智能语音技术应用到“ 三录” 制作中, 已经实现利用语音转写技术, 通过智能人机语音交互直接自动生成现场勘查笔录。这样, 勘查人员在部分案件现场不用手写记录, 只需口述或发出语音指令, 即可完成笔录的制作。

远距离步态识别技术是一种新兴的生物特征识别技术, 通过检测人的体态特征和走路姿态识别目标身份。步态识别分为人形检测、分割、识别、跟踪四个部分。其中, 快速人形检测和高精度人形分割是最基础的环节。步态识别具有非接触、远距离和不易伪装等优点, 较其他识别技术具有自身的独特优势。但现在与公安、安防合作的落地项目数量较少, 还需和有关部门之间建立起有效沟通, 将该项技术大规模应用于安防领域还需要一段时间的积累。目前国内开始探索应用法医人类学、数字图像处理、模式识别、人工智能等技术原理, 针对基于人体动态的个人特征分析, 从面目不清的监控视频序列图像中检测、识别、跟踪个体动态特征, 通过对人体各关节标志点运行轨迹进行跟踪, 获取不同角度个体动态特征曲线, 进行个体识别检验、判定同一, 从而研究建立一套适合中国人生理运动特征的人体动态行为模式识别的检验指标体系和检验识别方法, 判别监控影像中人体身高、体态特征等, 解决因监控录像中犯罪嫌疑人蒙面和图像模糊导致的个体识别上的技术难题^[7]。

将人工智能技术成功应用于传统的足迹检验领域, 需充分认识和认真分析人工智能技术的优势所在, 结合当前足迹检验技术发展中遇到的困难, 探索应用领域和关键点。人工智能技术是一种计算机算法, 它的建立主要依赖于相当规模的数据训练, 所以建立一套符合人工智能要求的足迹数据采集方法、设备和评价标准体系, 是人工智能技术在足迹检验领域发展和探索的基础。同时, 建立一套符合实战应用和司法实践的科学应用方法和评价体系, 是该技术在足迹检验领域落地的根本保证。

勘查提取：在现场, 智能机器人可替代人工完成对现场足迹发现、提取、固定等一系列相关工作, 从而大大减轻技术员在现场的劳动强度, 避免重复工作造成的注意力分散, 同时, 人机互动又可以对机器给出的分析报告进行实时纠错和提醒, 反复优化、提高效率。智能化穿戴装备在现场勘查时, 持续不断向终端机传递视频、音频及传感数据, 也可自动排查与现场无关的嫌疑足迹, 以及自动对灰尘、血液、泥渍等不同类型的足迹选择对应的发现、提取、固定方案, 另外对现场出现的可疑足迹及其他物证自动化拍照固定、筛选存档。在每一步骤中, 技术人员均有选择介入的权限, 系统及时发现问题, 实时自我更新, 联网后多台智能机器人可同步升级。

足迹检验：构建一个多模态足迹样本数据集, 包含赤足和穿鞋鞋印的图像数据、压力数据、视频数据、声音数据、文本数据等多模态数据。科学优化数据采集方案, 设计构建便于存储、管理和调用的数据格式与数据集架构^[8], 建立专家标划特征库, 将人工智能与专家特征相结合, 两种方法相互融合、弥补差异。建立人体行走姿态与足底压力特征之间的关系模型, 研究成趟足迹形成机理; 借助人工智能提取特征区域与特征点, 实现从鞋印图像到足底压力特征的反演; 利用有效的多模态特征融合算法, 形成具有同一个体稳定性、不同个体高区分性的足迹特征比对鉴定技术。

案件串并：同一人在不同现场穿用不同鞋所遗留的足迹是足迹检验的难点。若借助人工智能可以实现从鞋印图像中提取人体脚型特征、压力特征等稳定、高区分性足迹特征, 在不同案件中实现自动化串并。在案件现场通过对足迹平面图像演绎, 与发案地点周边视频结合, 不受主观因素的影响推演嫌疑人的行走姿态, 在嫌疑人库中做出概率分析, 排名前几位的选项可为侦查提供方向、缩小范围, 更准确、高效破案。另外还可建立案件特征库, 分析已串案件特征, 诸如案件类别、作案特点、作案时间、现场足迹、盗窃物品等项目, 生成串并模型。运用串并案模型, 针对未破案件, 推测出作案的高危人群, 现场出现概率高的鞋印种类, 开展案件串并、辅助预警、提高重视。

教育培训：将人工智能与教育培训相结合的二加一模式, 已成为当今国内教育领域的热门话题, 未来的教育模式也将进入人机共教时代, 摆脱传统教育局限性, 有利于新教学理念的发展。未来智能机器人借助全国各省市优秀的足迹专家资源, 不仅能帮助专家更好地培训学员, 且帮助新技术人员更好地学习知识理念, 共享云端海量顶级专家多年积累的专业知识, 与教师弹幕互动。未来的足迹检验培训将更具有时间延展性, 学员不仅可以学习曾经在课堂上讲授的知识, 还可以利用智能系统进行课前预习和课后复习。与此同时, 通过对足迹专业知识图谱和习得顺序的分析, 人工智能还能精准分析每个学员在学习时遇到的难点、重复学习等状况, 做到个性化因材施教, 提高每位学员的学习质量和效率。线上线下综合运用, 分析现场案例和化解难题^[9]。

人身认定：采集大量已知赤足、穿鞋样本数据, 借助机器学习提取脚型结构信息、压力面信息, 实现鞋印到赤足图像转换技术、鞋印到鞋底压力转换技术。现阶段可以做到利用赤足足迹推测人的年龄和身高, 与此项技术结合后可形成辅助筛查犯罪嫌疑人、案件串等一系列侦查活动。根据特征标画的位置和形状, 智能识别出形态特征类型及特征属性, 并计算长、宽、位置等属性信息, 更加有利于足迹检验的特征相似度计算, 进一步提高利用足迹认定人身的可靠性和科学性。

人工智能对数据可靠性、数据规模、训练模型、采用算法均有较高的要求。作为系统的重要构成部分, 数据质量问题是系统运行的关键因素, 直接关系到人工智能参与足迹检验的成败。在实际采集中, 诸多因素会导致足迹样本模糊、缺损、变形, 如果数据质量得不到保证, 即使数据分析工具再先进, 训练模型再合理, 采用算法再优良, 在低质量数据环境中也只能得到毫无意义的垃圾信息, 系统运行的结果据此做出的分析就可能是错误的, 甚至影响到后续工作计划的制定和实行。所以采集到合格的数据样本才是万源之本。

人工智能与数据规模之间是同生同涨的有机关系, 数据规模对获得有价值的结论具有相当重要的影响。每一次人工智能的增长, 大数据都起着重要的推动作用。大规模的数据是深度学习能够发挥巨大威力的前提, 必须要有大量的数据才能训练深度结构^[10]。数据量级的增长、计算能力的提升、存储效率的优化、数据可分析程度的提高等等都在加快人工智能的发展。采样要考虑周全, 男女比例、身高、年龄等等涵盖其中, 丰富的注释和高度的多样性数据^[11]能帮助训练人工智能, 使训练结果更加精准。拥有了符合标准同时兼具有效性的足迹样本数据, 兼备海量训练数据, 才能进行下一步的工作。

随着信息化时代的来临, 大数据越来越受重视, 数据采集成为一种挑战。既然数据如此重要, 就需要规范化采集, 从源头上对数据质量进行把控。如果没有规范, 任何数据整合和统筹都无从谈起。应考虑到数据源种类多、数据更新速度快的特性, 思考如何提升数据采集的可靠性, 减少采集重复数据, 保证数据的质量。在采集穿鞋足迹、赤足足迹样本时, 据此提出一整套的数据采集标准, 科学优化数据采集方案, 基层警务部门在采集前科人员基础信息时有章可循, 避免无意义的资源消耗, 提高数据信息的使用率。

人工智能最重要的三个环节, 海量数据、模型算法和专家经验缺一不可。专家经验就是专家智慧的结晶, 而专家标划特征数据库就是知识的集合, 系统内部含有大量足迹领域专家的知识和经验^{[12, 13]}, 运用专家的知识与经验进行推理、判断和决策。与此同时, 通过计算机和学员交互信息的提取, 也可以不断更新原有知识库。如此将人工智能深度学习与专家标划特征两者相融合, 互相弥补, 具有启发性、透明性、灵活性^[14]。足迹检验内容丰富, 鉴定难度高, 在标划足迹特征方面尚没有统一标准, 专家们对特征标划的认知有着不尽相同的理解。如何将专家标划规则统一化, 是现阶段亟待解决的问题。

大数据时代, 公安机关采集和整合海量数据, 加入人工智能对样本数据进行处理分析、深度挖掘, 寻找足迹数据内部规律, 是公安信息化应用的高级形态^[15]。高速发展的现代人工智能为足迹检验向智能化、规范化和体系化方向拓展和深化提供了新的抓手和着力点, 如何顺应人工智能新形势, 推进足迹检验技术新发展是每个痕迹检验人员理应深思的问题。