3 de outubro de 2025
Desde a fraca visibilidade até ao encandeamento, saiba o que torna a precisão da deteção de vídeo de tráfego noturno um desafio e como a visão por computador melhora a segurança e o fluxo.
As estradas parecem diferentes no escuro, não apenas para os condutores, mas também para os sistemas responsáveis por mantê-los seguros. A fraca visibilidade, o encandeamento dos faróis e os reflexos de movimento rápido podem tornar a deteção de veículos durante a noite mais difícil.
Os métodos tradicionais, como a observação manual ou as câmaras baseadas no movimento, baseiam-se principalmente no julgamento humano e em pistas de movimento simples. Isto pode não ser fiável em condições de fraca luminosidade ou de tráfego complexo. Estes métodos podem identificar erradamente veículos ou peões, conduzindo a falsas detecções ou a observações falhadas.
A inteligência artificial (IA), a aprendizagem profunda e a visão computacional podem colmatar esta lacuna automatizando a deteção e o reconhecimento de veículos. Em particular, a visão computacional é um ramo da IA que permite às máquinas ver e interpretar dados visuais. Quando se trata de deteção de vídeo de tráfego noturno, os modelos de IA de visão podem ir além do brilho ou do movimento, aprendendo a reconhecer padrões complexos que melhoram a precisão.
Por exemplo, os modelos de visão por computador como o Ultralytics YOLO26 e o Ultralytics YOLO11 são conhecidos pela sua velocidade e precisão. Podem tratar dados de vídeo e imagem em tempo real, detectando e classificando vários objectos dentro de um fotograma e seguindo-os através de sequências.
Estas capacidades são possíveis através de várias tarefas de visão, como a deteção de objectos e a segmentação de instâncias, mesmo quando os faróis, as sombras ou a sobreposição de veículos dificultam a deteção. Permitem que o modelo identifique, classifique e diferencie objectos.
Neste artigo, vamos explorar os desafios da monitorização de tráfego noturno, ver como a visão computacional os resolve e onde a IA de visão está a ser aplicada em sistemas de monitorização de tráfego do mundo real. Vamos começar!
Antes de explorar a forma como a visão por computador resolve os desafios da deteção de tráfego noturno, vejamos por que razão é tão difícil detetar veículos depois de escurecer. Aqui estão alguns fatores a serem considerados:
Os modelos de visão por computador são treinados utilizando grandes colecções de imagens conhecidas como conjuntos de dados. Estes conjuntos de dados são cuidadosamente identificados com os objectos que contêm, como carros, camiões, peões e bicicletas, e servem de base para o treino. Ao estudar estes exemplos rotulados, o modelo aprende a reconhecer padrões, permitindo-lhe identificar e detetar objectos em novas imagens de vídeo.
Durante o treino, o modelo extrai caraterísticas dos dados e utiliza-as para melhorar a precisão da deteção. Este processo ajuda a reduzir as detecções falhadas e os falsos alarmes quando o modelo é exposto a cenários de tráfego reais.
No entanto, criar conjuntos de dados ou colecções de dados para condições nocturnas é muito mais difícil. A fraca qualidade do vídeo torna a etiquetagem morosa e suscetível de 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 com os quais os modelos podem aprender.
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 etiquetas normalizadas, protocolos de avaliação e métricas de desempenho, como a precisão, a recuperação e a precisão média (mAP). Estas métricas permitem testar e comparar diferentes algoritmos sob as mesmas condições, garantindo uma avaliação justa e consistente.
Por exemplo, o conjunto de dados de referência ExDark contém 7.363 imagens com pouca luz em 12 categorias de objectos (bicicleta, barco, garrafa, autocarro, carro, gato, cadeira, chávena, cão, mota, pessoas, mesa). Cada imagem é anotada com caixas delimitadoras, e o conjunto de dados é amplamente utilizado na investigação para avaliar a deteção e classificação de objectos em condições de fraca iluminação.
Do mesmo modo, o conjunto de dados de referência NightOwls fornece cerca de 115 000 imagens nocturnas com aproximadamente 279 000 anotações de peões. Tornou-se um recurso fundamental para a avaliação dos sistemas de deteção de peões, que desempenham um papel vital na segurança rodoviária e nos sistemas avançados de assistência ao condutor (ADAS).
Agora que temos uma melhor compreensão dos desafios envolvidos e da necessidade de conjuntos de dados, vamos analisar mais detalhadamente a forma como os sistemas baseados na visão podem interpretar os vídeos de tráfego noturno.
Modelos como o YOLO11 e o YOLO26 suportam tarefas de visão computacional como a deteção de objectos, o seguimento e a segmentação de instâncias, o que torna possível analisar o tráfego mesmo em condições de pouca luz. Aqui está uma visão geral das tarefas de IA de visão que estes modelos suportam para analisar o tráfego noturno:
Discutimos a formação de modelos, a necessidade de conjuntos de dados e as tarefas que modelos como o YOLO11 e o YOLO26 suportam. Mas, para concluir, há mais um conceito a analisar: a forma como estes modelos são efetivamente aplicados à monitorização nocturna.
Os modelos Ultralytics YOLO estão disponíveis como versões pré-treinadas, o que significa que já foram treinados em grandes conjuntos de dados de uso geral, como o conjunto de dados COCO, que abrange muitos objectos do quotidiano. Isto confere ao modelo uma forte capacidade de base para detetar e classificar objectos.
No entanto, como esses conjuntos de dados contêm muito poucos exemplos de baixa luminosidade ou noturnos, os modelos pré-treinados não são muito bons em lidar com brilho, sombras ou contraste fraco de forma eficaz. Para que tenham impacto na deteção de vídeos de trânsito noturno, têm de ser aperfeiçoados em conjuntos de dados especializados que reflictam as condições nocturnas do mundo real.
O ajuste fino ou treino personalizado envolve o treino do modelo em imagens rotuladas adicionais capturadas em condições de pouca luz, tais como veículos sob o brilho dos faróis, peões em passadeiras ou cruzamentos com muita gente à noite, para que aprenda as caraterísticas únicas das cenas nocturnas.
Uma vez treinado à medida, o modelo pode suportar tarefas como a deteção, o seguimento, a segmentação ou a classificação com muito maior precisão em condições de fraca luminosidade. Isto permite que as autoridades de trânsito apliquem esses modelos em casos de utilização prática, como a contagem de veículos, a estimativa de velocidade, o controlo adaptativo de sinais e a prevenção de acidentes durante a noite.
Em seguida, vamos ver como a visão computacional pode ser adoptada nos sistemas de tráfego noturno do mundo real.
As intersecções urbanas são algumas das áreas mais difíceis de gerir, 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 alterações em tempo real. A investigação mostra que isto não só faz perder tempo aos condutores, como também leva a um consumo de combustível desnecessário e a atrasos.
É exatamente aí que os sistemas de visão por computador 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 depois introduzidos em sistemas de controlo de tráfego adaptáveis. Isto permite que os sinais se ajustem rapidamente em resposta às condições reais da estrada. Assim, se uma faixa de rodagem estiver cheia e outra vazia, a temporização do sinal pode ser ajustada instantaneamente para eliminar os estrangulamentos.
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 monitorização convencionais, tais como câmaras de vigilância fixas, patrulhas rodoviárias, sensores de presença de veículos e sistemas de sinalização em tempo fixo, funcionam de forma reactiva e podem não conseguir detetar situações perigosas com antecedência suficiente para evitar que ocorram.
As soluções de visão por computador podem lidar com esta preocupação, analisando fluxos de vídeo em direto e detectando padrões invulgares na estrada ou autoestrada. Utilizando o seguimento de objectos, estes sistemas podem monitorizar o comportamento do veículo em tempo real e emitir alertas quando algo parece anormal.
Por exemplo, se um veículo em movimento estiver a mudar de faixa de rodagem, a andar demasiado depressa numa zona congestionada ou a abrandar subitamente, o sistema pode assinalá-lo em tempo real. Isto significa que as autoridades podem reagir rapidamente e evitar acidentes antes que eles aconteçam.
Para os veículos autónomos e ADAS, a condução nocturna traz os seus próprios desafios. A baixa visibilidade e os padrões de tráfego imprevisíveis dificultam o desempenho fiável dos sensores tradicionais, o que suscita preocupações de segurança.
A visão por computador melhora estes sistemas ao lidar com tarefas como a deteção de objectos, o seguimento de faixas e a segmentação, permitindo que os veículos reconheçam peões, outros carros e obstáculos, mesmo em condições de fraca luminosidade. Quando combinada com radar ou LiDAR (Light Detection and Ranging), que mapeiam o ambiente em 3D, a camada visual adicionada ajuda os ADAS a fornecerem avisos precoces e dá aos veículos autónomos a consciência de que necessitam 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 piora à noite. A escuridão dificulta a deteção de infracções por parte da polícia rodoviária, uma vez que os pormenores que são claros à luz do dia se tornam muitas vezes indistintos à noite.
É por isso que infracções como o excesso de velocidade em estradas vazias, a ultrapassagem de sinais vermelhos ou o desvio para a faixa de rodagem errada ficam muitas vezes impunes. A visão por computador resolve este problema utilizando câmaras de infravermelhos para detetar infracções 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 transportes, isto significa menos ângulos mortos e menos dependência de controlos manuais.
Eis algumas vantagens da utilização da IA de visão para a deteção de vídeo de tráfego noturno.
Apesar das suas vantagens, a deteção de tráfego noturno utilizando a IA de visão também tem algumas limitações. Eis alguns factores a ter em conta:
À medida que as cidades crescem e as estradas se tornam mais movimentadas, a deteção de tráfego noturno está a evoluir para sistemas mais inteligentes e com maior capacidade de resposta. Por exemplo, as câmaras térmicas e os sensores de infravermelhos podem detetar assinaturas de calor de pessoas e veículos, tornando possível ver mesmo na escuridão total. Isto reduz os erros que ocorrem quando as câmaras normais se debatem com o brilho ou a pouca luz.
Outra abordagem em crescimento é a fusão câmara-LiDAR. As câmaras fornecem imagens detalhadas da estrada, enquanto o LiDAR gera um mapa 3D preciso. Utilizadas em conjunto, melhoram a precisão da deteção de faixas de rodagem, veículos e obstáculos, especialmente com pouca luz ou nevoeiro moderado.
Ao mesmo tempo, os avanços no melhoramento de imagens com pouca luz, reconhecimento de peões e identificação de matrículas estão a expandir as capacidades da visão por computador. Com estas melhorias, mesmo estradas e cruzamentos mal iluminados podem ser monitorizados com maior fiabilidade e menos erros.
A deteção de veículos à noite sempre foi um desafio para a monitorização do tráfego, mas a visão por computador está a torná-la mais fácil de gerir. Ao reduzir o impacto do brilho e ao lidar com cenários de tráfego complexos, fornece uma imagem mais exacta do comportamento das estradas após o anoitecer. À medida que estes sistemas continuam a avançar, estão a preparar o caminho para um transporte noturno mais seguro, mais inteligente e mais eficiente.
Pronto para integrar a IA de visão nos seus projectos? Junte-se à nossa comunidade ativa e descubra inovações como a IA na indústria automóvel e a IA de visão na robótica. Visite o nosso repositório GitHub para saber mais. Para começar a usar a visão computacional hoje mesmo, confira nossas opções de licenciamento.
.webp)