Visão computacional na ciência forense: deteção de pistas ocultas

As investigações dependem fortemente das provas físicas recolhidas nas cenas de crime, e grande parte dessas provas é visual. Tradicionalmente, recolher estas pistas era um processo manual — fotografar a cena, fazer esboços da disposição, etiquetar objetos e confiar no olhar treinado do investigador para detetar detalhes subtis.

Ao longo dos anos, ferramentas como câmaras térmicas e scanners de impressões digitais apoiaram este trabalho e desempenharam um papel fundamental na resolução de crimes. Mas agora, graças à IA e à visão computacional, as investigações estão a tornar-se mais avançadas. As máquinas podem ajudar a analisar provas visuais mais rapidamente, com maior precisão e a uma escala muito maior.

Em particular, a visão computacional é uma tecnologia de grande impacto que permite às máquinas ver e compreender imagens e vídeos. Estes sistemas podem processar e analisar rapidamente grandes quantidades de dados visuais, ajudando os investigadores a resolver crimes mais depressa.

As vantagens das ferramentas baseadas em IA nas investigações fizeram com que o mercado global de ferramentas de perícia digital baseadas em IA fosse avaliado em 4,98 mil milhões de dólares em 2025, com uma previsão de atingir 17,7 mil milhões de dólares até 2031.

Fig. 1. Mercado global de perícia digital baseada em IA (fonte).

Neste artigo, vamos explorar como a visão computacional pode ser utilizada em investigações forenses e como pode ajudar a identificar, analisar e interpretar provas visuais.

O papel da IA e da visão computacional na perícia forense#

A visão computacional permite às máquinas interpretar informação visual do mundo real e tomar decisões com base nessa compreensão. Especificamente, na ciência forense, a IA pode ser utilizada para detetar elementos como armas ou ferimentos, acompanhar veículos e até reconstruir modelos 3D de cenas de crime com uma velocidade e precisão impressionantes.

Embora as investigações forenses ainda dependam da observação manual e do conhecimento especializado, este processo pode ser demorado e normalmente concentra-se num caso de cada vez. Modelos de visão computacional como o Ultralytics YOLO11 oferecem uma abordagem mais rápida e escalável. Estes modelos podem analisar cenas, identificar objetos importantes e classificar provas utilizando tarefas de Vision AI, como deteção de objetos e classificação de imagens.

Por exemplo, em vez de rever manualmente centenas de horas de gravações de vigilância, um modelo de visão computacional pode analisar automaticamente os vídeos para detetar atividades suspeitas — como movimentos invulgares, permanência prolongada num local ou objetos abandonados. Pode assinalar períodos e locais específicos para análise pelos investigadores, reduzindo significativamente o tempo e o esforço necessários para encontrar provas relevantes.

Aplicações de Vision AI na perícia forense#

A visão computacional está a mudar a forma como os investigadores recolhem e estudam provas visuais. Vejamos mais de perto como está a ser utilizada atualmente no trabalho forense.

Análise de gravações de vigilância com visão computacional#

Uma das técnicas de visão computacional mais comuns utilizadas na vigilância é o rastreamento de objetos — acompanhar pessoas, veículos ou itens ao longo dos fotogramas de um vídeo. Em vez de serem programados manualmente para cada situação, estes sistemas aprendem com vídeos do mundo real e percebem rapidamente o que é “normal”. Dessa forma, podem detetar automaticamente comportamentos invulgares, como alguém a permanecer demasiado tempo numa zona tranquila, um veículo numa área restrita ou um saco sem vigilância num espaço público.

Esta tecnologia pode ser útil durante as investigações. Por exemplo, se uma testemunha disser que viu uma carrinha vermelha numa interseção entre as 11:00 e as 13:00, a visão computacional pode analisar horas de imagens de CCTV, identificar todas as ocorrências de uma carrinha vermelha e evitar que os investigadores tenham de rever tudo manualmente. Ao automatizar tarefas que antes demoravam horas ou dias, a visão computacional torna a monitorização em direto e a análise de provas mais rápidas, inteligentes e eficazes.

Fig. 2. Utilização de Vision AI para analisar imagens de CCTV e rastrear carrinhas vermelhas (fonte).

Utilização de IA em investigações de incêndios florestais#

Após incidentes relacionados com incêndios, o tempo é crítico e as provas físicas estão frequentemente comprometidas ou destruídas. As tecnologias de visão computacional ajudam a colmatar esta lacuna ao analisar diversas fontes de dados visuais, como imagens de satélite, gravações de drones, CCTV e imagens térmicas, para reconstruir a sequência dos acontecimentos.

Estas ferramentas podem detetar a origem de um incêndio, identificar possíveis acelerantes e acompanhar a atividade de pessoas ou veículos nas proximidades do local. Quando combinados com bases de dados criminais e relatórios de incidentes, estes sistemas podem revelar padrões, como locais de incêndios recorrentes, comportamentos de suspeitos ou incêndios criminosos coordenados, em diferentes regiões.

Um exemplo do mundo real vem de Nova Gales do Sul, na Austrália, onde a polícia utilizou uma plataforma de visão computacional chamada Insights durante as investigações dos incêndios florestais de 2019–2020. A plataforma analisou imagens de CCTV, dados geoespaciais e dados ambientais, como a direção do vento e registos de descargas atmosféricas. Também utilizou reconhecimento de objetos para identificar elementos visuais relevantes, como veículos ou equipamento, em grandes quantidades de imagens de vigilância.

Ao sobrepor estes dados a informações de geolocalização de telemóveis e mapas, os investigadores conseguiram associar a atividade humana a eventos de incêndio específicos e apresentar visualmente estes dados durante inquéritos formais. Esta abordagem acelerou o processo de investigação.

Fig. 3. Um investigador forense a analisar detritos de um incêndio (fonte).

Reconstrução de uma cena de crime com visão computacional#

A reconstrução 3D na perícia forense combina tecnologias como fotografia, digitalização a laser, LiDAR e visão computacional para criar modelos detalhados e à escala real de cenas de crime. Estas reconstruções ajudam os investigadores a visualizar a posição dos objetos, os padrões de salpicos de sangue e as trajetórias das balas com um nível de precisão e interatividade que as fotografias 2D tradicionais não conseguem proporcionar. Esta tecnologia melhora a análise e as apresentações em tribunal ao permitir visitas virtuais e medições precisas.

Para além das investigações ativas, a reconstrução 3D e a realidade virtual (VR) também estão a reinventar o ensino da perícia forense. Em ambientes académicos, os estudantes podem utilizar óculos de VR para explorar cenas de crime simuladas, identificar provas e praticar técnicas como a digitalização de impressões digitais e a análise de salpicos de sangue. Esta abordagem de aprendizagem imersiva desenvolve competências fundamentais de investigação num ambiente seguro e repetível.

Fig. 4. Um estudante a observar a cena de crime com óculos de VR (fonte).

Melhoria de imagens com Vision AI#

Um caso com 19 anos no Kerala, na Índia, foi recentemente resolvido com a ajuda da melhoria de imagens baseada em IA. Os investigadores voltaram a analisar fotografias antigas da época do crime e utilizaram uma combinação de processamento de imagem e inteligência artificial para esclarecer traços faciais e gerar representações atualizadas dos suspeitos. Uma das imagens melhoradas era muito semelhante a uma pessoa que aparecia numa fotografia de casamento partilhada online, o que acabou por conduzir a um avanço no caso.

Este caso é um bom exemplo de como as ferramentas forenses modernas, particularmente a integração da IA com a melhoria tradicional de imagens, podem ajudar as autoridades a reabrir e resolver investigações pendentes há muito tempo. Ao revelar detalhes ocultos ou identificar pessoas que mudaram significativamente ao longo do tempo, estas tecnologias estão a revelar-se recursos poderosos no domínio da perícia digital.

Utilização da segmentação de instâncias para extrair provas#

A segmentação de instâncias é uma tarefa de visão computacional que pode identificar objetos individuais numa imagem e delimitar cada um com uma máscara detalhada ao nível dos píxeis. Isto ajuda os investigadores a isolar com precisão elementos importantes de prova, mesmo em ambientes desorganizados ou complexos.

Imagina uma cena de crime onde são visíveis vários conjuntos de pegadas ou marcas de pneus sobrepostas na terra ou na neve — a segmentação de instâncias pode distinguir e delimitar cada um separadamente. Isto facilita a análise de padrões de movimento, trajetórias de veículos ou percursos de suspeitos sem distrações causadas pela desordem do fundo.

Para além da análise de cenas, a segmentação de instâncias também está a ser aplicada a imagens forenses. Num estudo do Instituto de Medicina Legal de Zurique, os investigadores utilizaram esta técnica para identificar diferentes tipos de ferimentos. Treinaram um modelo de visão com 1.753 imagens forenses que continham 4.666 ferimentos.

O modelo treinado conseguiu detetar e classificar sete tipos de lesões, incluindo ferimentos por arma branca e queimaduras. Demonstrou como a Vision AI pode apoiar os investigadores ao analisar rapidamente e com precisão padrões de lesões, poupando tempo e melhorando a consistência das avaliações de imagens forenses.

Reconhecimento automático de matrículas com Vision AI#

O reconhecimento automático de matrículas (ANPR), ou reconhecimento de matrículas (LPR), é uma aplicação de visão computacional focada na deteção, leitura e extração automáticas de números de matrícula a partir de imagens ou gravações de vídeo. Normalmente, isto envolve a utilização de modelos de visão computacional, como o YOLO11, para a deteção de objetos e localização da matrícula num fotograma.

Depois de a matrícula ser identificada, aplica-se o reconhecimento ótico de caracteres (OCR) para extrair os caracteres alfanuméricos. Estas informações podem depois ser cruzadas com bases de dados para identificar o proprietário do veículo ou acompanhar os seus movimentos anteriores. O ANPR é particularmente útil em investigações relacionadas com pessoas desaparecidas, furto de veículos, infrações de trânsito ou acidentes com fuga.

Por exemplo, num caso de pessoa desaparecida, as autoridades podem introduzir o número da matrícula num sistema de LPR. Se o veículo aparecer numa câmara de vigilância, o sistema pode assinalar automaticamente a sua localização, ajudando os agentes a responder rapidamente. O LPR também desempenha um papel fundamental em casos de veículos roubados ou acidentes com fuga, ao fornecer um rastreamento rápido e preciso através de redes de vigilância integradas.

Fig. 5. Deteção de matrículas com Ultralytics YOLO11 (fonte).

Vantagens e desvantagens da utilização de IA na perícia forense#

A IA e a visão computacional oferecem vários benefícios importantes que melhoram a eficiência, a acessibilidade e a fiabilidade das investigações forenses. Eis algumas das principais vantagens a considerar:

• Análise remota: a visão computacional permite aos investigadores forenses visualizar cenas de crime e provas, como imagens, vídeos e modelos 3D, a partir de qualquer lugar, sem estarem presentes fisicamente.
• Arquivos de longo prazo: os dados processados por sistemas de visão podem ser bem organizados e facilmente pesquisáveis. Se necessário no futuro, podem ser consultados e novamente analisados com modelos melhorados aplicados a casos antigos.
• Consistência: ao contrário dos seres humanos, que podem interpretar a informação visual de forma diferente consoante a sua experiência, os modelos de visão computacional aplicam as mesmas regras todas as vezes, resultando numa análise mais consistente e uniforme.

Apesar do seu potencial, a visão computacional na perícia forense também apresenta alguns desafios que é importante ter em conta. Eis alguns dos principais:

• Qualidade dos dados de entrada: os modelos de visão dependem fortemente da qualidade dos dados que recebem. As soluções de visão computacional podem não detetar ou interpretar incorretamente detalhes importantes se as imagens estiverem desfocadas, mal iluminadas ou tiverem baixa resolução. Isto pode ser atenuado através da aplicação da estratégia correta de aumento de dados.
• Dificuldade com dados não observados: os modelos de visão computacional podem ter dificuldades quando encontram algo novo — como objetos invulgares ou cenas de crime diferentes dos dados utilizados no seu treino. Este fenómeno é conhecido como “drift”.
• Desafios legais: a utilização de visão computacional em investigações pode levantar questões jurídicas, como saber se as provas são admissíveis em tribunal, quão privados são os dados e quão transparentes são as decisões do sistema.

Principais conclusões#

A visão computacional continua a evoluir, mas já está a transformar a forma como a ciência forense funciona. Desde detetar e delimitar pequenos elementos de prova através da segmentação de instâncias até criar modelos 3D de cenas de crime e melhorar documentos, apoia os investigadores em todas as fases do seu trabalho.

No futuro, é provável que a visão computacional trabalhe ainda mais de perto com a IA e o machine learning para identificar padrões mais rapidamente e fazer previsões melhores com base em dados de casos anteriores. À medida que a tecnologia continua a melhorar, continuará a trazer formas novas e melhores de resolver crimes.

Junta-te à nossa comunidade e ao nosso repositório do GitHub para saberes mais sobre visão computacional. Explora aplicações como IA na indústria e visão computacional na agricultura nas nossas páginas de soluções. Consulta as nossas opções de licenciamento e começa hoje a desenvolver com visão computacional!