3 de outubro de 2025
Da baixa visibilidade ao brilho, aprenda o que torna a precisão da detecção de vídeo de tráfego noturno um desafio e como a visão computacional melhora a segurança e o fluxo.
As estradas parecem diferentes no escuro, não apenas para os motoristas, mas também para os sistemas responsáveis por mantê-las seguras. A baixa visibilidade, o brilho dos faróis e os reflexos rápidos podem tornar a detecção de veículos noturnos mais desafiadora.
Os métodos tradicionais, como a observação manual ou câmeras baseadas em movimento, dependem principalmente do julgamento humano e de pistas de movimento simples. Isso pode ser não confiável em condições de pouca luz ou tráfego complexo. Esses métodos podem identificar incorretamente veículos ou pedestres, levando a detecções falsas ou observações perdidas.
A inteligência artificial (IA), o aprendizado profundo e a visão computacional podem preencher essa lacuna automatizando a detecção e o reconhecimento de veículos. Em particular, a visão computacional é um ramo da IA que permite que as máquinas vejam e interpretem dados visuais. Quando se trata de detecção de vídeo de tráfego noturno, os modelos de Vision AI podem ir além do brilho ou movimento, aprendendo a reconhecer padrões complexos que melhoram a precisão.
Por exemplo, modelos de visão computacional como o Ultralytics YOLO26 e o Ultralytics YOLO11 são conhecidos pela sua velocidade e precisão. Eles conseguem lidar com dados de vídeo e imagem em tempo real, detetando e classificando múltiplos objetos dentro de um frame e rastreando-os através de sequências.
Essas capacidades são possibilitadas por meio de várias tarefas de visão, como detecção de objetos e segmentação de instâncias, mesmo quando faróis, sombras ou veículos sobrepostos dificultam a detecção. Elas permitem que o modelo identifique, classifique e diferencie objetos.
Neste artigo, exploraremos os desafios do monitoramento do tráfego noturno, veremos como a visão computacional os aborda e onde a Visão de IA está sendo aplicada em sistemas de monitoramento de tráfego do mundo real. Vamos começar!
Antes de explorar como a visão computacional resolve os desafios da detecção de tráfego noturno, vamos analisar por que identificar veículos no escuro é tão difícil. Aqui estão alguns fatores a serem considerados:
Os modelos de visão computacional são treinados usando grandes coleções de imagens conhecidas como datasets. Esses datasets são cuidadosamente rotulados com os objetos que contêm, como carros, caminhões, pedestres e bicicletas, e servem como base para o treinamento. Ao estudar esses exemplos rotulados, o modelo aprende a reconhecer padrões, permitindo identificar e detectar objetos em novas filmagens de vídeo.
Durante o treinamento, o modelo extrai características dos dados e as utiliza para melhorar a precisão da detecção. Este processo ajuda a reduzir detecções perdidas e falsos alarmes quando o modelo é exposto a cenas de tráfego do mundo real.
Construir datasets ou coleções de dados para condições noturnas, no entanto, é muito mais desafiador. A má qualidade do vídeo torna a rotulagem demorada e propensa a erros. Além disso, eventos raros, mas importantes, como acidentes ou comportamento de condução incomum, podem ser difíceis de capturar em ambientes noturnos. Isso resulta num número limitado de exemplos de treino para os modelos aprenderem.
Para resolver este problema, os pesquisadores desenvolveram conjuntos de dados de benchmark especializados. Um conjunto de dados de benchmark é mais do que apenas uma coleção de imagens. Ele inclui rótulos padronizados, protocolos de avaliação e métricas de desempenho, como precisão, recall e precisão média (mAP). Essas métricas tornam possível testar e comparar diferentes algoritmos nas mesmas condições, garantindo uma avaliação justa e consistente.
Por exemplo, o conjunto de dados de benchmark ExDark contém 7.363 imagens com pouca luz em 12 categorias de objetos (bicicleta, barco, garrafa, ônibus, carro, gato, cadeira, copo, cachorro, motocicleta, pessoas, mesa). Cada imagem é anotada com caixas delimitadoras, e o conjunto de dados é amplamente utilizado em pesquisas para avaliar a detecção e classificação de objetos em condições de iluminação precárias.
Da mesma forma, o conjunto de dados de referência NightOwls fornece cerca de 115.000 imagens noturnas com aproximadamente 279.000 anotações de pedestres. Ele se tornou um recurso fundamental para avaliar sistemas de detecção de pedestres, que desempenham um papel vital na segurança rodoviária e em sistemas avançados de assistência ao motorista (ADAS).
Agora que temos uma melhor compreensão dos desafios envolvidos e da necessidade de conjuntos de dados, vamos analisar mais de perto como os sistemas baseados em visão podem interpretar vídeos de tráfego noturno.
Modelos como YOLO11 e YOLO26 suportam tarefas de visão computacional, como detecção de objetos, rastreamento e segmentação de instâncias, o que possibilita analisar o tráfego mesmo em condições de pouca luz. Aqui está uma visão geral das tarefas de IA de visão que esses modelos suportam para analisar o tráfego noturno:
Discutimos o treinamento de modelos, a necessidade de conjuntos de dados e as tarefas que modelos como YOLO11 e YOLO26 suportam. Mas, para juntar tudo, há mais um conceito a ser explorado: como esses modelos são realmente aplicados ao monitoramento noturno.
Os modelos YOLO da Ultralytics estão disponíveis como versões pré-treinadas, o que significa que já foram treinados em grandes conjuntos de dados de propósito geral, como o conjunto de dados COCO, que abrange muitos objetos cotidianos. Isso confere ao modelo uma forte capacidade de linha de base para detectar e classificar objetos.
No entanto, como esses conjuntos de dados contêm poucos exemplos de baixa luminosidade ou noturnos, os modelos pré-treinados não são eficazes no tratamento de brilho, sombras ou contraste deficiente. Para que sejam impactantes na detecção de vídeo de tráfego noturno, eles precisam ser ajustados em conjuntos de dados especializados que reflitam as condições noturnas do mundo real.
O ajuste fino ou o treinamento personalizado envolve treinar o modelo em imagens rotuladas adicionais capturadas em condições de pouca luz, como veículos sob o brilho dos faróis, pedestres em faixas de pedestres ou cruzamentos lotados à noite, para que ele aprenda as características únicas das cenas noturnas.
Uma vez treinado de forma personalizada, o modelo pode suportar tarefas como detecção, rastreamento, segmentação ou classificação com muito maior precisão em condições de pouca luz. Isso permite que as autoridades de trânsito apliquem tais modelos para casos de uso práticos, como contagem de veículos, estimativa de velocidade, controle adaptativo de sinais e prevenção de acidentes à noite.
Em seguida, vamos ver como a visão computacional pode ser adotada em sistemas de tráfego noturno no mundo real.
Os cruzamentos urbanos são algumas das áreas mais difíceis de gerenciar, especialmente à noite, quando a visibilidade diminui e o fluxo de tráfego se torna menos previsível. Os sinais tradicionais dependem de temporizadores fixos que não conseguem responder a mudanças em tempo real. Pesquisas mostram que isso não apenas desperdiça tempo para os motoristas, mas também leva ao consumo desnecessário de combustível e atrasos.
É exatamente aí que os sistemas de visão computacional podem ajudar a superar esse desafio. Esses sistemas podem monitorar os movimentos dos veículos e detectar o número de veículos em tempo real. Os dados são então inseridos em sistemas adaptativos de controle de tráfego. Isso permite que os sinais se ajustem rapidamente em resposta às condições reais da estrada. Assim, se uma faixa estiver lotada enquanto outra estiver vazia, o tempo do sinal pode ser ajustado instantaneamente para eliminar os gargalos.
Conduzir à noite é mais arriscado do que durante o dia, porque a visibilidade reduzida, a iluminação irregular e o encandeamento tornam mais difícil para os condutores avaliarem as distâncias. De facto, estudos mostram que a taxa de acidentes mortais por quilómetro à noite pode ser até três vezes superior à da luz do dia.
Os métodos de monitoramento convencionais, como câmeras de vigilância fixas, patrulhas rodoviárias, sensores de presença de veículos e sistemas de sinalização de tempo fixo, operam de forma reativa e podem falhar ao detectar situações perigosas com antecedência suficiente para evitar que ocorram.
As soluções de visão computacional podem lidar com essa preocupação, analisando transmissões de vídeo ao vivo e detectando padrões incomuns na estrada ou rodovia. Usando o rastreamento de objetos, esses sistemas podem monitorar o comportamento do veículo em tempo real e emitir alertas quando algo parecer anormal.
Por exemplo, se um veículo em movimento estiver a mudar de faixa, a mover-se demasiado depressa numa área congestionada ou a abrandar repentinamente, o sistema pode sinalizá-lo em tempo real. Isto significa que as autoridades podem responder rapidamente e evitar acidentes antes que aconteçam.
Para veículos autônomos e ADAS, a condução noturna traz seus próprios desafios. A baixa visibilidade e os padrões de tráfego imprevisíveis tornam mais difícil para os sensores tradicionais terem um desempenho confiável, o que aumenta as preocupações com a segurança.
A visão computacional aprimora esses sistemas ao lidar com tarefas como detecção de objetos, rastreamento de faixas e segmentação, permitindo que os veículos reconheçam pedestres, outros carros e obstáculos, mesmo em condições de pouca luz. Quando combinada com radar ou LiDAR (Light Detection and Ranging), que mapeiam o ambiente em 3D, a camada visual adicional ajuda os ADAS a fornecer alertas precoces e oferece aos veículos autônomos a percepção de que precisam para navegar com mais segurança à noite.
O excesso de velocidade é responsável por uma em cada três mortes no trânsito em todo o mundo, e o risco só aumenta à noite. A escuridão dificulta que a polícia de trânsito detecte infrações, já que detalhes que são claros à luz do dia geralmente ficam borrados após o anoitecer.
É por isso que infrações como excesso de velocidade em estradas vazias, passar no sinal vermelho ou desviar para a faixa errada geralmente não são punidas. A visão computacional resolve esse problema usando câmeras infravermelhas para identificar infrações, mesmo em condições de baixa luminosidade. Esses sistemas criam zonas de detecção onde os incidentes são registrados, reduzindo os falsos positivos e fornecendo evidências claras e verificáveis. Para as autoridades de transporte, isso significa menos pontos cegos e menos dependência de verificações manuais.
Aqui estão algumas vantagens de usar Visão de IA para detecção de vídeo de tráfego noturno.
Apesar de seus benefícios, a detecção de tráfego noturno usando Visão de IA também apresenta certas limitações. Aqui estão alguns fatores a serem considerados:
À medida que as cidades crescem e as estradas ficam mais movimentadas, a detecção de tráfego noturno está caminhando para sistemas mais inteligentes e responsivos. Por exemplo, câmeras térmicas e sensores infravermelhos podem detectar assinaturas de calor de pessoas e veículos, tornando possível ver mesmo na escuridão total. Isso reduz os erros que ocorrem quando as câmeras padrão têm dificuldades com o brilho ou a baixa luminosidade.
Outra abordagem crescente é a fusão de câmera e LiDAR. As câmeras fornecem imagens detalhadas da estrada, enquanto o LiDAR gera um mapa 3D preciso. Usados juntos, eles melhoram a precisão da detecção de faixas, veículos e obstáculos, principalmente em condições de pouca luz ou neblina moderada.
Ao mesmo tempo, os avanços no aprimoramento de imagens com pouca luz, reconhecimento de pedestres e identificação de placas de veículos estão expandindo os recursos da visão computacional. Com essas melhorias, mesmo estradas e cruzamentos mal iluminados podem ser monitorados com maior confiabilidade e menos erros.
Detectar veículos à noite sempre foi um desafio para o monitoramento do tráfego, mas a visão computacional está tornando isso mais gerenciável. Ao reduzir o impacto do brilho e lidar com cenas de tráfego complexas, ela fornece uma imagem mais precisa de como as estradas se comportam após o anoitecer. À medida que esses sistemas continuam a avançar, eles estão abrindo caminho para um transporte mais seguro, inteligente e eficiente à noite.
Pronto para integrar a Visão de IA em seus projetos? Junte-se à nossa comunidade ativa e descubra inovações como IA na indústria automotiva e Visão de IA em robótica. Visite nosso repositório GitHub para descobrir mais. Para começar a usar a visão computacional hoje, confira nossas opções de licenciamento.
