As causas reais de falso positivo em CFTV com IA

Engenharia Por Juliano Baladão · 4 de setembro de 2026 · 6 min de leitura

Alarme falso e alarme por incômodo não são a mesma coisa

A distinção parece burocrática e não é. Alarme de sensor com defeito se conserta com manutenção; alarme de folha ao vento não tem nada quebrado para consertar. O relatório SAND2019-4251 da Sandia coloca essa decisão entre as mais difíceis do posto: diante de um alarme, o operador precisa dizer se é alarme planejado, incômodo, falso ou ameaça — escolha que, segundo o documento, envolve muita incerteza sobre eventos relevantes extremamente raros. Por isso este texto se organiza por causa física: marca e modelo mudam; sombra, luz, água e vento não.

Por que uma sombra em movimento engana um detector?

Porque a sombra tem quase tudo o que um objeto tem, menos volume: aparece onde não havia nada, tem contorno definido, desloca-se de forma contínua e muda o brilho de uma região inteira de uma vez. Para qualquer método que dependa do que mudou entre um instante e outro, ela é indistinguível de um corpo escuro se movendo pelo chão.

E sombra projetada é grande: um pedestre no fundo da cena ocupa poucos pixels de altura, e a sombra dele, esticada pelo sol baixo, ocupa vários — o sinal falso fica mais forte que o verdadeiro. O que falta à sombra é volume: ela não tem relevo, não tem temperatura própria e não existe sem a fonte de luz que a projeta.

À noite, o detector deixa de ver objetos e passa a ver manchas de luz

Câmera de luz visível precisa de luz para formar imagem — a Axis repete esse ponto no documento sobre proteção de perímetro. À noite o contraste vem das fontes de luz, não dos objetos, e a cena vira um conjunto de manchas que nascem, deslocam-se e somem. Pior: a mancha do farol está projetada numa superfície a outra distância, e pode aparecer numa zona de interesse onde o veículo nunca entrou.

Chuva e neblina não escurecem a cena: elas apagam o contraste

Água no ar não bloqueia a imagem: espalha a radiação. O documento da Axis sobre câmeras térmicas descreve dois mecanismos — absorção, em que vapor de água e gás carbônico retêm parte da energia, e espalhamento, em que a radiação se dispersa ao encontrar gotas. O espalhamento pesa mais, e a perda depende do tamanho e da concentração das gotas.

A Axis faz a conta de exemplo: atenuação de 3 dB significa que só metade da energia emitida pelo objeto chega ao sensor, o que derruba a relação sinal-ruído e degrada a confiabilidade da análise de vídeo integrada. Some-se a chuva de perto: uma gota iluminada junto da lente é um objeto brilhante, rápido e fora de foco — não parece uma pessoa, mas parece movimento.

Vegetação ao vento e câmera que balança produzem o mesmo erro

A Axis junta os dois casos numa recomendação só, porque são o mesmo fenômeno visto de dois lados: manter fora da cena galhos e bandeiras que entrem e saiam do quadro quando venta, e montar a câmera o mais firme possível, com bordas nítidas fora do enquadramento.

Uma borda nítida logo fora da cena pode disparar um alarme de movimento falso se a câmera balançar ao vento e deslocar a cena enquadrada sobre essa borda. Como quem se moveu foi a câmera, ela interpreta a imagem alterada como movimento na cena, embora nada além da própria câmera tenha se movido.

Axis Communications, Thermal cameras, outubro de 2021 — paráfrase

Uma fixação com folga transforma um dia de vento numa noite de alarmes. É a causa mais barata de resolver da lista inteira, e a que mais sobrevive porque ninguém suspeita dela: o conserto é de suporte, não de modelo.

Por que inseto e aranha no infravermelho geram tanto alarme?

Essa é a causa mais subestimada, e a Axis a registra: animais pequenos e insetos estão entre os gatilhos comuns de um sistema de vídeo. O motivo é óptico e geométrico. O iluminador infravermelho fica na carcaça da câmera, então um inseto a poucos centímetros da lente recebe o feixe inteiro, devolve muito mais luz do que qualquer coisa no fundo da cena e ocupa uma fração enorme do quadro. Uma aranha que faz teia na frente do domo produz, todas as noites, um objeto branco, grande e errático sobre fundo escuro.

Aqui a densidade de pixel trabalha contra o sistema, pelo motivo que está em densidade de pixel e DORI: o inseto não engana por parecer uma pessoa, e sim por ser, na imagem, maior do que uma.

O stream que o analisador recebe não é o que o sensor produziu

Falso positivo também nasce de uma decisão de rede: é comum o software de análise consumir o fluxo secundário da câmera, com resolução e taxa de bits menores. A Axis observa que a análise feita na própria câmera pode trabalhar sobre vídeo não comprimido, porque a compressão só entra ao transferir para um servidor central. Um estudo de 2022 sobre compressão H.264 e detecção de objetos (arXiv:2211.05805) mede o custo: o desempenho degrada de forma apreciável em compressão alta, sobretudo com pouca luz e alvos rápidos — as mesmas condições em que as causas anteriores já estavam atacando. Os valores de CRF desse estudo estão em densidade de pixel e DORI.

Quanto custa um falso positivo?

Custa a confiança de quem opera. O relatório da Sandia nomeia o risco: a interface precisa permitir que o operador distinga sensor defeituoso de causa ambiental, sem induzir um efeito de baixa prevalência tão forte que ele passe a desligar alarmes automaticamente, sem julgá-los. O mesmo documento relata um teste informal — um engenheiro diante da interface enquanto outro disparava sensores na ordem de um alarme a cada cinco segundos. Ele ficou sobrecarregado só para reconhecer cada alarme. Não era cenário de ataque; era o volume.

Por isso aumentar a sensibilidade quase nunca é a resposta. Um sistema que alarma muito e acerta pouco converge para um sistema que ninguém olha — e um sistema que ninguém olha tem taxa de detecção efetiva igual a zero.

Que contramedidas existem em nível de princípio?

Não existe filtro universal, e quem prometer um deveria explicar contra qual causa. Cada fenômeno desta lista falha por um motivo próprio — óptico num caso, geométrico noutro, de rede no último —, e por isso cada um exige um tratamento diferente. Um sistema que enfrenta todos eles com o mesmo botão de sensibilidade não está filtrando nada: está apenas escolhendo entre alarmar demais e não alarmar.

A literatura pública dá a direção, não a receita. Ao listar as informações de que o operador precisa para decidir a causa de um alarme, o relatório da Sandia descreve o que um sistema automático também precisa considerar, chama de sensores ortogonais os dados que não são afetados pela mesma causa do incômodo e insiste que o algoritmo apresente confiança e incerteza de forma compreensível a quem opera. É um bom norte. Não é um projeto.

O que separa o norte do projeto — quais verificações valem contra qual causa naquela cena, com que peso, e a partir de que ponto o registro deixa de sustentar uma decisão automática — não sai de artigo nenhum. Sai de campo: da mesma câmera observada ao longo das estações, dos horários e do clima daquele lugar. Por isso a nossa resposta a “vocês filtram falso positivo?” é sempre um diagnóstico de cena, e nunca uma lista de truques.