Признаки рта и губ входят в словесный портрет и широко используются при криминалистических фотопортретных экспертизах [1—3]. Вместе с тем расовая, половая и возрастная принадлежность при оценке указанных признаков не учитывается и нередко имеет субъективный характер.

Красная кайма (КК) губ имеет довольно сложный рельеф складчатости, отображающийся на их следах [4]. Существует мнение о возможности использования рельефа КК наравне с дактилоскопией [5]. Разработано несколько классификаций складчатого рельефа [6—8], хотя они до сих пор не получили биометрического обоснования. Вследствие отсутствия дискретности в «рисунках» КК возможна субъективная оценка признаков. Отмечено также неполное сходство в рисунках КК губ у однояйцевых близнецов, не исключена возрастная трансформация [6].

Биометрические подходы, к сожалению, не получили широкого распространения в судебно-медицинской и криминалистической практике. Существующие программы антропометрических признаков КК губ очень лапидарны [9]. Установлено, что женские губы тоньше мужских, а ширина рта меньше. Расовые особенности губ проявляются уже к моменту рождения. Наиболее толстые губы и ширина рта характерны для экваториальных рас, тонкие и узкие — для некоторых групп Северной Европы и Северной Азии [10]. В последнее время в связи с распространением компьютерных технологий появились первые попытки биометрического описания КК губ применительно к решению задачи идентификации личности [11, 12]. Данная публикация продолжает это направление.

Материалом для исследования служили фотографии губ при положении головы анфас (79 мужских и 95 женских) из архива отдела медико-криминалистической идентификации личности РЦСМЭ от лиц европеоидной принадлежности в возрасте от 17 до 55 лет.

Каждая фотография содержит «эталон» (квадрат со стороной 1,5 см или круг диаметром 1,5 см), необходимый для измерения длины признаков в миллиметрах.

Выделили три группы признаков КК губ: контур губ (далее — контур), межгубная линия (далее — линия) и высота.

Все базисные точки отмечали на экране монитора ЭВМ по границе слизистой части губ и кожи [13].

Первая группа — контур губ (рис. 1):

1—3 — длина латерального контура КК верхней губы справа; 3—4 — длина медиального контура КК верхней губы справа; 4—5 — длина медиального контура КК верхней губы слева; 5—7 — длина латерального контура КК верхней губы слева; 7—9 — длина латерального контура КК нижней губы слева, 9—10 — длина медиального контура КК нижней губы слева; 10—11 — длина медиального контура КК нижней губы справа; 11—1 — длина латерального контура КК нижней губы справа. Точки 2, 6, 8, 12 не несут информативной нагрузки и используются для удобства построения контура КК.

Вторая группа — межгубная линия (рис. 2):

1—3 — длина латеральной части линии справа; 3—4 — длина медиальной части линии справа; 4—5 — длина медиальной части линии слева; 5—7 — длина латеральной части линии слева. Точки 2, 4, 6 находятся примерно на середине отрезков 1—3 и 5—7 и используются для удобства построения межгубной линии.

Третья группа — высота (рис. 3):

1—2 — наибольшая высота КК обеих губ справа; 1—7 — наибольшая высота КК верхней губы справа; 7—2 — наибольшая высота КК нижней губы справа; 3—4 — наименьшая высота КК обеих губ; 3—8 — наименьшая высота КК верхней губы слева; 8—4 — высота середины КК нижней губы; 5—6 — наибольшая высота КК обеих губ слева; 5—9 — наибольшая высота КК верхней губы слева; 9—6 — наибольшая высота КК нижней губы слева; 1—5 — ширина фильтрума.

Все размеры следует измерять в строго одинаковой последовательности, указанной на рис. 1.

Для оцифровки фотографий использовали программный комплекс «Биометрия губ», реализующий следующие функции:

— формирование базы данных фотографий и признаков губ индивидов;

— расчет значений признаков, относящихся к контуру, межгубной линии и высотам;

— определение в автоматическом режиме категорий изменчивости признаков;

— проведение процесса идентификации, т.е. выбора из базы данных группы индивидов наиболее близких по значениям признаков к идентифицируемому объекту;

— копирование базы данных в буфер обмена с целью дальнейшей обработки с помощью пакетов MS Excel, Statistica и др.

В результате получена «База данных биометрических признаков красной каймы губ человека».

В результате статистической обработки базы данных были рассчитаны дескриптивные статистики отдельно как для мужчин, так и для женщин.

Для проверки гипотезы о нормальности распределения выборок использовали критерий Колмогорова—Смирнова, а также производили расчет асимметрии и эксцесса.

Результаты проверки позволили сделать вывод, что признаки имеют нормальное распределение.

Значения признаков разбили на 5 интервалов, границы которых определялись по методике В.П. Алексеевой и соавт. [14].

В очень большой и очень малый промежутки попадали по 11% случаев, в большой и малый — по 22%, в средний — 33% случаев.

Границы категорий для каждого признака как для мужчин, так и для женщин представлены в табл. 1,

Разделение исходного массива по полу проводили с помощью одно- и многомерного дискриминантного анализа.

Точность диагностики по данным одномерного анализа не превышает 65—70% (табл. 2).

Результаты вычислений показали, что пределы правильного распознавания невелики, следовательно, дифференциация пола по губам невозможна.

Результаты дискриминантного анализа по способу Фишера.

Функции классификации:

DF мужчины = 7,597 (контур 3—4) + 0,410 (контур 4—5) – 6,159 (линия 3—4) – 0,709 (высота 1—2) + 7,200 (контур 10—11) + 3,798 (линия 1—2) – 5,782 (линия 2—3) – 4,069 (линия 4—5) + 4,391 (контур 2—3) – 0,605 (контур 5—6) + 2,803 (контур 11—12) + 2,351 (контур 9–10) + 5,519 (линия 5—6) – 59,846.

DF женщины = 6,899 (контур 3—4) + 1,629 (контур 4—5) – 7,510 (линия 3–4) – 1,004 (высота 1—2) + 8,657 (контур 10—11) + 4,249 (линия 1—2) – 7,046 (линия 2—3) – 8,232 (линия 4—5) + 4,429 (контур 2—3) – 0,169 (контур 5—6) + 3,538 (контур 11—12) + 5,725 (контур 9—10) + 5,068 (линия 5—6) – 56,127.

На следующем этапе решали задачу идентификации личности по губам, которая формулировалась как задача выделения группы объектов из базы данных по заданному комплексу признаков [15, 16].

Результаты расчетов показали, что идентификационная значимость данного исследуемого комплекса признаков достаточно велика, следовательно, его можно использовать для проведения идентификации.

Рассмотрим более подробно используемый алгоритм идентификации [3].

Сущность процесса идентификации, используя комплекс признаков, — поиск в совокупности объектов наиболее близкого. Критерием такого выделения является вероятность признака в данной совокупности, а оценкой истинности заключений — анализ понятия достоверности.

Рассмотрим совокупность объектов (табл. 3),

Например, идентифицируемый индивид представлен вектором кодовых значений (Х₁, Х₂, Х₃, Х₄, Х₅, Х₆, … , Х₂₈)=(1, 2, 3, 3, 5, 4, …, 4). Для выделения группы объектов, близких к идентифицируемому, необходимо выполнить следующие действия.

Этап I: вычисляют вероятности значений каждого признака в выборке

P_i= (0,30; 0,21; 0,58; 0,40; 0,20; 0,12; …; 0,1), где 0,30 — это вероятность встречи значения 1 в признаке Х₁, 0,21 — вероятность встречи значения 2 в признаке Х₂ и т.п.

Этап II: признаки Х_i ранжируют по уменьшению значений вероятностей (Р_i) в исследуемом векторе.

В рассматриваемом примере столбцы вектора будут переставлены в соответствии с уменьшением вероятностей следующим образом:

Этап III: вычисляют условные вероятности:

Р(X₃); Р(X₄/X₃); Р(X₁/X₃,X₄); Р(X₂/X₃,X₄,X₁); Р(X₅/X₃,X₄,X₁,X₂); Р(X₆/X₃,X₄,X₁,X₂,X₅); …; Р(X₂₈/X₃,X₄, X₁,X₂,X₅ … X₂₇).

Для этого сортируют значения признаков сначала в столбце X₃ по возрастанию (или убыванию) значений.

В результате сортировки записи предстанут таким образом, что сначала пойдут строки, в которых X₃=1, потом X₃=2, … и в конце X₃=5. В базе данных выделяют группу строк, в которой значение признака X₃=3. В выделенной группе аналогичным образом строки сортируют по возрастанию (убыванию) значений признака X₄ и выделяют группу строк, для которой X₄=3, аналогичную процедуру проводят для X₁=1 и т д. до X₆=4. Постепенно выделяемые группы сужаются до одного объекта. На третьем шаге получаем:

Здесь X₂=2 только в одной строке, но на следующем шаге выделения признака X₅ имеем значение X₅=1, что не совпадает со значением в искомом случае (X₁=5). Это означает, что в исходной совокупности индивидов данный индивид не найден. Все остальные значения, кроме X₅, X₆, в найденной строке не совпадают со значениями идентифицируемого индивида.

Условные вероятности на каждом шаге определяются как отношение числа попадания данного значения в группе к числу объектов в группе. Так, на четвертом шаге процесса выделения X₂=2 только в одном случае, значит Р(X₂/X₃, X₄, X₁)=Р(2/3,3,1) = ¼=0,25, а Р(X₅/X₃, X₄, X₁, X₂)=Р(1/3,3,1,2) = 0/1=0.

Таким образом, возможны два варианта:

— вариант 1 — на последнем шаге получается вероятность, отличная от 0, и тогда искомый индивид найден и задача решена;

— вариант 2 — на каком-то из шагов, отличном от последнего, получается вероятность, равная 0.

Этап IV: проверяют условие достоверности идентификации. Для этого вводят два понятия: 1) идентификационная значимость признака Si = –lg Pi; 2) идентификационная значимость комплекса признаков S_n=ΣS_i

По мере добавления новых независимых признаков вероятность будет уменьшаться, а идентификационная значимость комплекса признаков увеличиваться до такого значения, которое окажется достаточным для практически достоверной идентификации.

Вектор идентификационной значимости признаков для искомого индивида (S₁, S₂, S₃, S₄, S₅, S₆, …, S₂₈) =(0,98;0,75;0,54;0,62;0,83;0,80;…;0,23). Тогда идентификационная значимость всего комплекса признаков S_n= ΣS₁=18,46.

Условие идентификации выглядит следующим образом:

S_n ≥lgN+lgα,

где N — расширенный фиктивный объем выборки; α — критерий достоверности идентификации, который определяется из таблицы:

Если выбрать достоверность идентификации 0,999, то в нашем случае условие достоверной идентификации выполняется: S_n=3,59; lgN+lgα=lg174+lg20= 3,54; 18,46≥3,24.

Таким образом, техника идентификации состоит в выделении комплекса признаков, характеризующих идентификационный объект, и в оценке идентификационной значимости этого комплекса.

Приведенный способ оценки идентификационной значимости комплекса признаков ограничен условием независимости признаков, что на практике часто невыполнимо. Тогда для расчета вероятности нахождения в базе данных искомого набора зависимых признаков по формуле, использующей условные вероятности, в пакете MS Excel 2007 можно применить функцию «СЧЕТЕСЛИМН», позволяющую сразу определить частоту встречи искомого набора признаков в базе. Если она равна 0, то индивида, описываемого данным набором признаков, в базе нет; если функция отлична от нуля, то он в базе есть, и его поиск проводят по описанной ранее процедуре, использующей сортировку признаков. В случае наличия более ранних версий MS Excel, где нет функции «СЧЕТЕСЛИМН», рекомендуем применить для двух последовательных признаков так называемую матрицу перехода, которая довольно просто вычисляется и имеет вид:

Каждый элемент p_ij — это условная вероятность значения признака, равного i, если в предыдущем признаке было значение, равное j (i,j=1, 2, 3, 4, 5).

Разработана методика биометрического исследования КК губ, которую можно использовать в медико-криминалистической практике для индивидуализации и идентификации личности.

Создан программный продукт ALips 2.0, позволяющий формировать базу данных фотографий индивидов и производить измерение признаков в автоматическом режиме, а также проводить идентификацию.

Рассчитаны категории изменчивости каждого признака, позволяющие сопоставить по каждой фотографии набор чисел, характеризующих особенности КК губ. Половой диморфизм признаков КК губ незначителен и его можно не учитывать.

Установлена возможность применения данной системы признаков для задач отождествления личности в судебной медицине и криминалистике.