Deteção de trânsito noturno em vídeo: uma análise sobre a importância da precisão

As estradas parecem diferentes no escuro, não só para os condutores, mas também para os sistemas responsáveis por mantê-las seguras. A visibilidade reduzida, o encandeamento dos faróis e os reflexos rápidos podem tornar mais difícil a deteção de veículos à noite.

Os métodos tradicionais, como a observação manual ou as câmaras baseadas em movimento, dependem sobretudo do julgamento humano e de sinais de movimento simples. Isto pode ser pouco fiável em condições de pouca luz ou de trânsito complexo. Estes métodos podem identificar incorretamente veículos ou peões, resultando em falsas deteções ou observações falhadas.

Fig. 1. Um exemplo de uma estrada mal iluminada à noite (Fonte)

A inteligência artificial (AI), a aprendizagem profunda e a visão computacional podem colmatar esta lacuna ao automatizar a deteção e o reconhecimento de veículos. Em particular, a visão computacional é um ramo da AI que permite às máquinas ver e interpretar dados visuais. No que diz respeito à deteção de vídeo do trânsito à noite, os modelos de AI para visão podem ir além do brilho ou do movimento, aprendendo a reconhecer padrões complexos que melhoram a precisão.

Por exemplo, os modelos de visão computacional como o Ultralytics YOLO26 e o Ultralytics YOLO11 são conhecidos pela sua velocidade e precisão. Conseguem processar dados de vídeo e imagem em tempo real, detetando e classificando vários objetos num enquadramento e acompanhando-os ao longo de sequências.

Estas capacidades são possíveis graças a várias tarefas de visão, como a deteção de objetos e a segmentação de instâncias, mesmo quando os faróis, as sombras ou os veículos sobrepostos dificultam a deteção. Permitem ao modelo identificar, classificar e diferenciar objetos.

Neste artigo, vamos explorar os desafios da monitorização do trânsito à noite, ver como a visão computacional os resolve e analisar onde a AI para visão está a ser aplicada em sistemas reais de monitorização do trânsito. Vamos começar!

Desafios da deteção noturna#

Antes de explorar como a visão computacional resolve os desafios da deteção do trânsito à noite, vejamos por que motivo é tão difícil detetar veículos depois de escurecer. Eis alguns fatores a considerar:

• Baixa visibilidade: A iluminação limitada e as más condições de luminosidade dificultam a captação de imagens nítidas e detalhadas pelas câmaras. Com uma qualidade de imagem reduzida, os veículos podem confundir-se com o fundo ou ser identificados incorretamente.

• Condições meteorológicas: A chuva, o nevoeiro, a neblina ou até o pó podem degradar ainda mais a qualidade do vídeo. Estas condições tornam mais difícil para os sistemas de deteção distinguirem os veículos do ambiente envolvente.

• Faróis e luzes traseiras: Os feixes luminosos intensos e os reflexos podem sobrecarregar as câmaras. Isto pode criar falsas deteções de veículos, em que pontos luminosos são confundidos com veículos, confundindo os algoritmos de deteção e reduzindo a precisão.

• Oclusão de veículos: Em condições de trânsito intenso, os veículos podem ficar parcial ou totalmente ocultos atrás de outros. A oclusão complica o seguimento, a contagem e a classificação de veículos, especialmente quando vários utilizadores da estrada se sobrepõem num único enquadramento.

A necessidade de conjuntos de dados e métricas de referência para condições noturnas#

Os modelos de visão computacional são treinados com grandes coleções de imagens conhecidas como conjuntos de dados. Estes conjuntos são cuidadosamente anotados com os objetos que contêm, como carros, camiões, peões e bicicletas, e servem de base ao treino. Ao estudar estes exemplos anotados, o modelo aprende a reconhecer padrões, conseguindo identificar e detetar objetos em novas imagens de vídeo.

Fig. 2. Utilização da visão computacional para detetar veículos e peões no trânsito (Fonte)

Durante o treino, o modelo extrai características dos dados e utiliza-as para melhorar a precisão da deteção. Este processo ajuda a reduzir as deteções falhadas e os falsos alarmes quando o modelo é exposto a cenas de trânsito reais.

A criação de conjuntos de dados ou coleções de dados para condições noturnas, contudo, é muito mais difícil. A má qualidade do vídeo torna a anotação demorada e propensa a erros. Além disso, eventos raros mas importantes, como acidentes ou comportamentos de condução invulgares, podem ser difíceis de captar em ambientes noturnos. Isto resulta num número limitado de exemplos de treino para os modelos aprenderem.

Para resolver este problema, os investigadores desenvolveram conjuntos de dados de referência especializados. Um conjunto de dados de referência é mais do que uma simples coleção de imagens. Inclui anotações normalizadas, protocolos de avaliação e métricas de desempenho, como precisão, revocação e precisão média (mAP). Estas métricas permitem testar e comparar diferentes algoritmos nas mesmas condições, garantindo uma avaliação justa e consistente.

Por exemplo, o conjunto de dados de referência ExDark contém 7 363 imagens com pouca luz distribuídas por 12 categorias de objetos (bicicleta, barco, garrafa, autocarro, carro, gato, cadeira, chávena, cão, motocicleta, pessoas, mesa). Cada imagem está anotada com caixas delimitadoras, e o conjunto de dados é amplamente utilizado na investigação para avaliar a deteção e a classificação de objetos em condições de fraca iluminação.

Fig. 3. Um vislumbre do conjunto de dados ExDark (Fonte)

De forma semelhante, o conjunto de dados de referência NightOwls disponibiliza cerca de 115 000 imagens noturnas com aproximadamente 279 000 anotações de peões. Tornou-se um recurso fundamental para avaliar sistemas de deteção de peões, que desempenham um papel essencial na segurança rodoviária e nos sistemas avançados de assistência ao condutor (ADAS).

Como a visão computacional ajuda na deteção de vídeo do trânsito à noite#

Agora que compreendemos melhor os desafios envolvidos e a necessidade de conjuntos de dados, vejamos mais de perto como os sistemas baseados em visão podem interpretar vídeos do trânsito à noite.

Modelos como o YOLO11 e o YOLO26 suportam tarefas de visão computacional, como deteção de objetos, seguimento e segmentação de instâncias, tornando possível analisar o trânsito mesmo em condições de pouca luz. Eis uma visão geral das tarefas de AI para visão que estes modelos suportam na análise do trânsito noturno:

• Deteção de objetos: Esta tarefa pode ser utilizada para identificar e localizar veículos, peões, bicicletas e outros utilizadores da estrada em cada enquadramento, normalmente desenhando caixas delimitadoras à sua volta.
• Seguimento de objetos: Ajuda a acompanhar objetos detetados entre enquadramentos, permitindo reconhecer o mesmo veículo ou peão ao longo do tempo, o que possibilita estimar a velocidade dos veículos e monitorizar o fluxo do trânsito.
• Segmentação de instâncias: Permite distinguir objetos individuais mesmo quando se sobrepõem, fornecendo detalhes ao nível dos píxeis que melhoram a precisão em condições noturnas complexas.
• Classificação de imagens: Esta tarefa atribui uma imagem inteira ou um objeto detetado a uma categoria predefinida, como carro, autocarro, camião ou motocicleta.
• Deteção de caixas delimitadoras orientadas (OBB): Capta o ângulo e a orientação exatos de um objeto, melhorando a precisão quando os veículos aparecem na diagonal ou em posições invulgares no trânsito noturno.

Utilização de modelos Ultralytics YOLO para a monitorização noturna#

Falámos sobre o treino de modelos, a necessidade de conjuntos de dados e as tarefas suportadas por modelos como o YOLO11 e o YOLO26. Mas, para juntar tudo, falta abordar mais um conceito: como estes modelos são efetivamente aplicados à monitorização noturna.

Os modelos Ultralytics YOLO estão disponíveis de imediato em versões pré-treinadas, o que significa que já foram treinados com grandes conjuntos de dados de uso geral, como o conjunto de dados COCO, que abrange muitos objetos do quotidiano. Isto confere ao modelo uma sólida capacidade de base para detetar e classificar objetos.

No entanto, como estes conjuntos de dados contêm muito poucos exemplos de pouca luz ou noturnos, os modelos pré-treinados não são muito eficazes a lidar com encandeamento, sombras ou baixo contraste. Para serem eficazes na deteção de vídeo do trânsito à noite, têm de ser ajustados com conjuntos de dados especializados que reflitam condições noturnas reais.

O ajuste fino ou o treino personalizado envolve treinar o modelo com imagens anotadas adicionais captadas em condições de pouca luz, como veículos sob o encandeamento dos faróis, peões em passadeiras ou cruzamentos movimentados à noite, para que aprenda as características únicas das cenas noturnas.

Depois de receber treino personalizado, o modelo pode suportar tarefas como deteção, seguimento, segmentação ou classificação com uma precisão muito superior em condições de pouca luz. Isto permite às autoridades rodoviárias aplicar estes modelos em casos de uso práticos, como contagem de veículos, estimativa de velocidade, controlo adaptativo de semáforos e prevenção de acidentes à noite.

Aplicações de AI para visão na deteção de vídeo do trânsito à noite#

Em seguida, vejamos como a visão computacional pode ser adotada em sistemas reais de trânsito noturno.

Os semáforos inteligentes podem apoiar o planeamento de cidades inteligentes#

Os cruzamentos urbanos são algumas das áreas mais difíceis de gerir, especialmente à noite, quando a visibilidade diminui e o fluxo do trânsito se torna menos previsível. Os semáforos tradicionais dependem de temporizadores fixos que não conseguem responder a alterações em tempo real. A investigação mostra que isto não só faz os condutores perderem tempo, como também conduz a um maior consumo de combustível e a atrasos desnecessários.

É precisamente aqui que os sistemas de visão computacional podem ajudar a ultrapassar este desafio. Estes sistemas podem monitorizar os movimentos dos veículos e detetar o número de veículos em tempo real. Os dados são então enviados para sistemas adaptativos de controlo do trânsito. Isto permite aos semáforos ajustarem-se rapidamente em resposta às condições reais da estrada. Assim, se uma faixa estiver congestionada enquanto outra estiver vazia, o tempo dos semáforos pode ser ajustado instantaneamente para eliminar os estrangulamentos.

Prevenção de acidentes#

Conduzir à noite é mais arriscado do que durante o dia, porque a visibilidade reduzida, a iluminação irregular e o encandeamento dificultam a avaliação das distâncias pelos condutores. De facto, estudos mostram que a taxa de acidentes fatais por quilómetro à noite pode ser até três vezes superior à registada durante o dia.

Os métodos de monitorização convencionais, como câmaras de vigilância fixas, patrulhas rodoviárias, sensores de presença de veículos e sistemas de semáforos com temporização fixa, funcionam de forma reativa e podem não detetar situações perigosas suficientemente cedo para evitar que ocorram.

As soluções de visão computacional podem lidar com esta questão analisando transmissões de vídeo em direto e detetando padrões invulgares na estrada ou na autoestrada. Utilizando o seguimento de objetos, estes sistemas podem monitorizar o comportamento dos veículos em tempo real e emitir alertas quando algo parece anormal.

Por exemplo, se um veículo em movimento estiver a mudar de faixa, a circular demasiado depressa numa zona congestionada ou a abrandar subitamente, o sistema pode assinalá-lo em tempo real. Isto significa que as autoridades podem responder rapidamente e prevenir acidentes antes que aconteçam.

Condução autónoma e ADAS#

Para os veículos autónomos e o ADAS, conduzir à noite traz os seus próprios desafios. A baixa visibilidade e os padrões de trânsito imprevisíveis dificultam um desempenho fiável dos sensores tradicionais, o que suscita preocupações de segurança.

A visão computacional melhora estes sistemas ao executar tarefas como deteção de objetos, seguimento de faixas e segmentação, permitindo aos veículos reconhecer peões, outros carros e obstáculos mesmo em condições de fraca iluminação. Quando combinada com radar ou LiDAR (deteção e medição de luz), que mapeiam o ambiente em 3D, a camada visual adicional ajuda o ADAS a fornecer avisos antecipados e dá aos veículos autónomos a perceção necessária para navegarem com maior segurança à noite.

Fig. 4. Imagens de veículos captadas durante o dia e à noite (Fonte)

Aplicação da lei e deteção de infrações#

O excesso de velocidade é responsável por uma em cada três mortes no trânsito em todo o mundo, e o risco agrava-se à noite. A escuridão dificulta a deteção de infrações pela polícia de trânsito, uma vez que os detalhes nítidos à luz do dia ficam frequentemente indistintos depois de escurecer.

É por isso que infrações como exceder a velocidade em estradas vazias, passar semáforos vermelhos ou invadir a faixa errada ficam frequentemente impunes. A visão computacional resolve este problema utilizando câmaras de infravermelhos para detetar infrações mesmo em condições de pouca luz. Estes sistemas criam zonas de deteção onde os incidentes são registados, reduzindo os falsos positivos e fornecendo provas claras e verificáveis. Para as autoridades de transporte, isto significa menos pontos cegos e menor dependência de verificações manuais.

Vantagens e desvantagens da deteção de vídeo do trânsito à noite#

Eis algumas vantagens da utilização de AI para visão na deteção de vídeo do trânsito à noite.

• Escalabilidade: Depois de ajustados, os modelos podem ser implementados em muitas câmaras ou cruzamentos, suportando a monitorização de toda a cidade.
• Análise preditiva: Os dados históricos de vídeo podem ser utilizados para prever congestionamentos e zonas propensas a acidentes, apoiando medidas preventivas.
• Otimização de recursos: Fornece às autoridades informações em tempo real que ajudam a distribuir patrulhas rodoviárias e serviços de emergência de forma mais eficiente.

Apesar dos seus benefícios, a deteção noturna do trânsito com AI para visão também apresenta algumas limitações. Eis alguns fatores a ter em conta:

• Dependência dos dados: A precisão dos sistemas de AI para visão depende fortemente do acesso a grandes conjuntos de dados de alta qualidade que capturem uma ampla variedade de condições noturnas.

• Desafios ambientais: Fatores meteorológicos como chuva, nevoeiro ou neblina, bem como problemas práticos como lentes de câmaras sujas ou desalinhadas, podem reduzir o desempenho da deteção e exigir manutenção regular.

• Requisitos de hardware: A execução de modelos avançados de AI exige frequentemente GPUs de alto desempenho ou dispositivos de edge especializados, o que pode tornar a implementação em grande escala dispendiosa e complexa.

O futuro dos sistemas de transporte inteligentes à noite#

À medida que as cidades crescem e as estradas ficam mais movimentadas, a deteção noturna do trânsito está a avançar para sistemas mais inteligentes e responsivos. Por exemplo, as câmaras térmicas e os sensores de infravermelhos podem detetar assinaturas térmicas de pessoas e veículos, tornando possível ver mesmo na escuridão total. Isto reduz os erros que ocorrem quando as câmaras padrão têm dificuldade em lidar com o encandeamento ou a pouca luz.

Fig. 5. A tecnologia de visão noturna melhora a deteção de peões à noite (Fonte)

Outra abordagem em crescimento é a fusão de câmaras e LiDAR. As câmaras fornecem imagens detalhadas da estrada, enquanto o LiDAR gera um mapa 3D preciso. Utilizados em conjunto, melhoram a precisão da deteção de faixas, veículos e obstáculos, sobretudo com pouca luz ou nevoeiro moderado.

Ao mesmo tempo, os avanços no melhoramento de imagens com pouca luz, no reconhecimento de peões e na identificação de matrículas estão a expandir as capacidades da visão computacional. Com estas melhorias, até estradas e cruzamentos mal iluminados podem ser monitorizados com maior fiabilidade e menos erros.

Principais conclusões#

A deteção de veículos à noite sempre foi um desafio para a monitorização do trânsito, mas a visão computacional está a torná-la mais controlável. Ao reduzir o impacto do encandeamento e lidar com cenas de trânsito complexas, fornece uma imagem mais precisa do comportamento das estradas depois de escurecer. À medida que estes sistemas continuam a evoluir, estão a abrir caminho para transportes noturnos mais seguros, inteligentes e eficientes.

Pronto para integrar AI para visão nos teus projetos? Junta-te à nossa comunidade ativa e descobre inovações como AI no setor automóvel e AI para visão na robótica. Visita o nosso repositório do GitHub para descobrires mais. Para começares hoje com visão computacional, consulta as nossas opções de licenciamento.