📊 statistics

Scalable spatial point process models for forensic footwear analysis

Diese Studie entwickelt ein skalierbares hierarchisches Bayes-Modell mit räumlich variierenden Koeffizienten und integrierten verschachtelten Laplace-Näherungen, um die Seltenheit von zufälligen Abnutzungsmerkmalen in Schuhabdrücken präzise zu quantifizieren und so die forensische Zuverlässigkeit bei der Identifizierung spezifischer Schuhe zu erhöhen.

Ursprüngliche Autoren: Alokesh Manna, Neil Spencer, Dipak K. Dey

Veröffentlicht 2026-04-20

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Alokesh Manna, Neil Spencer, Dipak K. Dey

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Rätsel: Welcher Schuh hat den Abdruck hinterlassen?

Stellen Sie sich vor, Sie sind ein Detektiv. Sie finden einen Schuhabdruck an einem Tatort. Sie schauen genau hin und sehen: Es ist ein Sneaker der Marke „X", Größe 42.

Das Problem ist: Es gibt zehntausende von Sneakern genau dieser Marke und Größe. Jeder könnte den Abdruck hinterlassen haben. Nur auf den ersten Blick zu sagen „Es ist dieser Schuh", reicht vor Gericht nicht aus.

Aber Schuhe sind wie Fingerabdrücke, wenn man genau hinschaut. Durch das Tragen entstehen kleine Kratzer, Risse, Dellen oder eingeklemmte Steine. Diese nennt man im Fachjargon „Zufälligkeiten" (Accidentals). Ein Schuh, der oft auf Kies gelaufen ist, sieht anders aus als einer, der nur im Büro getragen wurde.

Die Frage lautet also: Wie wahrscheinlich ist es, dass ein anderer Schuh der gleichen Marke und Größe zufällig genau dieselben Kratzer an genau denselben Stellen hat?

Das alte Problem: Zu wenig Daten, zu langsame Computer

Früher haben Experten versucht, diese Wahrscheinlichkeit zu schätzen. Sie haben sich viele Schuhe angesehen und gemerkt: „Kratzer passieren oft am Fersenrand, selten in der Mitte."

Aber das war wie ein Versuch, ein riesiges Puzzle zu lösen, wenn man nur ein paar Puzzleteile hat. Die Datenbanken waren zu klein, und die Computer-Modelle, die versucht haben, diese Muster zu berechnen, waren entweder zu simpel (wie ein Würfelwurf) oder so komplex, dass sie bei großen Datenmengen einfach abstürzten.

Die neue Lösung: Ein intelligenter, skalierbarer „Schuh-Atlas"

Die Autoren dieses Papers haben eine neue Methode entwickelt, die wie ein super-intelligenter, digitaler Schuh-Atlas funktioniert. Hier ist die Idee, vereinfacht:

1. Der Schuh als Landkarte

Stellen Sie sich die Sohle eines Schuhs nicht als glatte Fläche vor, sondern als eine Landkarte.

Die Berge und Täler: Das ist das Profil des Schuhs (wo der Boden den Boden berührt).
Die Wettervorhersage: Die Forscher wollen vorhersagen, wo es auf dieser Landkarte „Regen" gibt. Aber statt Regen ist es hier das „Hagelkörner" (die Kratzer und Dellen).

Die alte Methode sagte: „Es regnet überall gleichmäßig." Das ist falsch.
Die neue Methode sagt: „Es regnet viel stärker an den Rändern, wo die Sohle rau ist, und kaum in der Mitte, wo sie glatt ist."

2. Die zwei genialen Tricks der Forscher

Trick A: Der „Zoom"-Effekt (Skalierbarkeit)
Früher mussten Computer für jeden einzelnen Schuh eine riesige, komplizierte Rechnung machen. Das dauerte ewig.
Die neuen Forscher haben das Problem wie ein Google Maps behandelt. Sie haben das Modell so gebaut, dass es effizient rechnet, egal ob man 100 oder 10.000 Schuhe analysiert. Sie nutzen eine Technik, die wie ein schneller „Vorschau-Modus" funktioniert, der trotzdem extrem genaue Ergebnisse liefert. So konnten sie eine riesige Datenbank mit 1.300 Schuhen auswerten, was vorher unmöglich war.

Trick B: Die „Wetter-Karten" für jeden Schuh (Räumliche Variation)
Das ist der wichtigste Teil. Nicht jeder Schuh ist gleich.

Bei Schuh A ist die Sohle an der Ferse sehr rau.
Bei Schuh B ist sie dort glatt.

Die neue Methode erkennt das. Sie sagt nicht nur: „Kratzer passieren oft an der Ferse." Sie sagt: „Bei Schuh A, weil die Ferse so rau ist, ist die Wahrscheinlichkeit für Kratzer dort sehr hoch. Bei Schuh B ist sie dort niedriger."

Sie nutzen sogar die Kanten des Schuhprofils (wie scharfe Kanten in einem Bild) als Hinweis. Stellen Sie sich vor, Sie streichen mit der Hand über einen Schuh. Wo es scharfe Kanten gibt, ist die Wahrscheinlichkeit höher, dass sich dort ein Steinchen festsetzt und einen Kratzer verursacht. Das Modell lernt diese Zusammenhänge für jeden einzelnen Schuh.

Warum ist das wichtig?

Stellen Sie sich vor, Sie müssen vor Gericht sagen: „Die Wahrscheinlichkeit, dass ein zufälliger Schuh diesen Abdruck gemacht hat, ist 1 zu 1 Million."

Wenn Ihre Rechnung falsch ist (z. B. weil Sie nicht beachtet haben, dass dieser spezielle Schuh sehr rau ist), sagen Sie vielleicht „1 zu 100". Das ist viel zu hoch! Ein unschuldiger Mensch könnte verurteilt werden, weil die Wahrscheinlichkeit eines Zufallstreffers unterschätzt wurde.
Oder Sie sagen „1 zu 10 Milliarden", obwohl es eigentlich nur „1 zu 100.000" ist. Dann wird ein schuldiger Mensch freigesprochen, weil die Beweiskraft überschätzt wurde.

Die neue Methode ist wie ein hochpräzises Messgerät. Sie nutzt die riesige Datenbank und die intelligente Mathematik, um die Wahrscheinlichkeit so genau wie möglich zu berechnen. Sie berücksichtigt:

Wie sieht der Schuh aus? (Das Profil)
Wo sind die Kanten? (Die scharfen Stellen)
Wie ist die Verteilung der Kratzer bei tausenden anderen Schuhen?

Das Fazit

Die Forscher haben einen Weg gefunden, die „Zufälligkeiten" auf Schuhen nicht mehr als zufälliges Rauschen zu betrachten, sondern als ein vorhersagbares Muster, das von der Form des Schuhs abhängt.

Durch den Einsatz moderner Computer-Technik (die wie ein schneller Navigator funktioniert) und riesiger Datenmengen können sie nun viel sicherer sagen: „Ja, dieser Abdruck passt zu diesem spezifischen Schuh, und die Chance, dass es ein Zufall ist, ist winzig klein."

Das ist ein großer Schritt hin zu faireren und wissenschaftlich fundierteren Gerichtsverfahren, bei denen nicht nur das Bauchgefühl des Experten zählt, sondern harte, datengestützte Beweise.

1. Problemstellung

In der forensischen Untersuchung spielen Schuhabdrücke eine zentrale Rolle. Während die Übereinstimmung von Klassenmerkmalen (Größe, Marke, Modell) notwendig ist, reicht sie oft nicht aus, um einen Verdächtigen eindeutig zu identifizieren, da Tausende identischer Schuhe produziert werden. Daher konzentrieren sich Ermittler auf „Accidentals" (zufällig erworbene Merkmale, RACs) wie Schnitte, Kratzer oder Löcher, die sich durch Abnutzung auf der Schuhsohle bilden.

Das Hauptproblem besteht darin, die Wahrscheinlichkeit eines zufälligen Übereinstimmens (Random Match Probability, RMP) zu quantifizieren. Das heißt: Wie wahrscheinlich ist es, dass ein zufällig ausgewählter Schuh derselben Marke und Größe ein Abdrucks muster mit denselben Accidentals aufweist wie der am Tatort gefundene?

Herausforderung: Daten sind selten und oft nur als „Bequemlichkeitsstichproben" (convenience samples) verfügbar (z. B. die JESA- und WVU-Datenbanken).
Limitierung bestehender Methoden: Frühere Modelle basierten oft auf vereinfachten Annahmen (z. B. gleichverteilte Accidentals) oder waren nicht skalierbar genug, um große Datensätze mit komplexen, schuh-spezifischen Merkmalen zu verarbeiten. Bestehende bayessche Modelle (z. B. von Spencer und Murray, 2020) waren rechenintensiv und auf kleine Datensätze beschränkt.

2. Methodik

Die Autoren entwickeln ein hierarchisches bayessches Modell, das als latenter Gaußscher räumlicher Punktprozess (Latent Gaussian Spatial Point Process) formuliert ist.

Datengrundlage: Analyse von 1.300 Schuhen aus der WVU-Datenbank (West Virginia University). Für jeden Schuh liegen hochauflösende Laborabdrücke (Kontaktoberfläche) und die Koordinaten der Accidentals vor.
Vorverarbeitung:
- Bilder werden auf eine Gittergröße von $39 \times 91$ Pixeln heruntergebrochen (Coarsening).
- Rechte Schuhe werden gespiegelt, um eine einheitliche Koordinatendarstellung zu gewährleisten.
- Es werden zwei Hauptmerkmale extrahiert: Die Kontaktoberfläche (Contact Surface, $C_s$ ) als Intensitätswert und der Bildgradient (Image Gradient, $I_s$ ) zur Erfassung von Kanten.
Modellformulierung:
- Die Anzahl der Accidentals an einem Gitterpunkt $a$ für Schuh $s$ wird als Poisson-verteilt angenommen: $Y_{s,a} \sim \text{Poisson}(\lambda_{s,a})$ .
- Der Log-Intensitätswert $\log(\lambda_{s,a})$ wird als lineare Kombination modelliert:
  $\log(\lambda_{s,a}) = \beta_{\text{smooth}, a} + \beta_{\text{shoe}, s} + \sum x_{s,a}^i \beta_f^i + \sum x_{s,a}^i \beta_{sv, a}^i$
- Komponenten:
  - $\beta_{\text{smooth}}$ : Räumlich geglätteter Trend (gemeinsam für alle Schuhe).
  - $\beta_{\text{shoe}}$ : Schuh-spezifische zufällige Intercept-Werte (Nuisance-Parameter).
  - $\beta_f$ : Feste Effekte für Interaktionen der Kontaktoberfläche und des Bildgradienten.
  - $\beta_{sv}$ : Räumlich variierende Koeffizienten, die modellieren, wie der Einfluss der Kontaktoberfläche und des Gradienten je nach Position auf der Sohle variiert.
Inferenz-Strategie:
- Aufgrund der hohen Dimensionalität (ca. 4,6 Millionen Gitterpunkte über 1.300 Schuhe) ist eine herkömmliche MCMC-Inferenz (Markov Chain Monte Carlo) rechnerisch nicht machbar.
- Stattdessen wird INLA (Integrated Nested Laplace Approximation) verwendet. Dies ermöglicht eine schnelle und genaue Approximation der posterioren Verteilungen innerhalb des Rahmens latenter Gaußscher Modelle (LGM).

3. Wichtige Beiträge

Skalierbarkeit: Durch die Umformulierung als latentes Gaußsches Modell und die Nutzung von INLA kann das Modell auf große Datensätze (wie WVU) angewendet werden, was mit früheren MCMC-basierten Ansätzen nicht möglich war.
Kontinuierliche Kontaktoberfläche: Im Gegensatz zu früheren Arbeiten, die die Kontaktoberfläche binarisiert haben (kontakt vs. kein Kontakt), nutzt dieses Modell die kontinuierlichen Intensitätswerte der Bilder, was mehr Information erhält.
Räumlich variierende Koeffizienten: Das Modell erlaubt, dass der Einfluss von Merkmalen (z. B. Kanten durch den Bildgradienten) nicht global konstant ist, sondern je nach Position auf der Sohle variiert. Dies erfasst nicht-lineare Beziehungen besser.
Bildgradient-Integration: Die explizite Einbeziehung des Bildgradienten (Sobel-Transformation) verbessert die Modellgüte, da Kantenstrukturen der Sohle signifikant mit der Entstehung von Accidentals korrelieren.

4. Ergebnisse

Modellgüte: Das vorgeschlagene Modell (M(Final)) übertrifft in der 10-fachen Kreuzvalidierung konsistent alle Vergleichsmodelle, darunter:
- Das Uniform-Modell (Stone, 2006).
- Räumliche Modelle ohne Kontaktflächen-Information (Yekutieli et al., 2012).
- Das binäre Kontaktflächen-Modell von Spencer und Murray (2020).
- Verschiedene Varianten des eigenen Modells.
Robustheit: Die Überlegenheit des Modells zeigt sich besonders im „Lower Tail" (bei Schuhen mit schwierigen Mustern), wo ungenaue Schätzungen forensisch am riskantesten sind.
Interpretation der Parameter:
- Accidentals treten häufiger an den Rändern der Sohle und im inneren Fersenbereich auf, seltener im Fußgewölbe.
- Eine höhere Intensität der Kontaktoberfläche korreliert stark mit einer höheren Wahrscheinlichkeit für Accidentals.
- Der Bildgradient hat einen signifikanten, positionsspezifischen Einfluss, was zeigt, dass Kantenstrukturen die Abnutzungsmuster lokal beeinflussen.
Metrik: Die Bewertung basiert auf der Wahrscheinlichkeit der beobachteten räumlichen Konfiguration (multinomiale Komponente), normalisiert nach der Gesamtzahl der Accidentals. Das vorgeschlagene Modell erzielt die höchsten Log-Wahrscheinlichkeiten.

5. Bedeutung und Fazit

Die Studie liefert einen skalierbaren, datengesteuerten Ansatz zur Berechnung von Zufallstreffer-Wahrscheinlichkeiten in der Schuhspurenanalyse.

Forensische Relevanz: Durch die genaue Quantifizierung der Seltenheit von Accidentals-Mustern können Gutachter die Beweiskraft von Schuhabdrücken objektiver und empirisch fundierter bewerten. Dies reduziert das Risiko von falschen positiven oder negativen Schlussfolgerungen vor Gericht.
Methodischer Fortschritt: Die Arbeit demonstriert, wie moderne bayessche räumliche Modellierungstools (INLA) kombiniert mit großen forensischen Datenbanken komplexe Probleme lösen können, die bisher als zu rechenintensiv galten.
Ausblick: Obwohl das Modell auf Laborabdrücken trainiert wurde, bildet es eine solide Grundlage für zukünftige Forschung, die sich mit verrauschten Tatortabdrücken und komplexeren Registrierungsmethoden befasst.

Zusammenfassend stellt dieses Paper einen wesentlichen Schritt hin zu einer standardisierten, statistisch fundierten Forensik dar, die über die reine Expertenmeinung hinausgeht.