As causas reais de falso positivo em CFTV com IA

Engenharia Por Juliano Baladão · 4 de setembro de 2026 · 7 min de leitura

Alarme falso e alarme por incômodo não são a mesma coisa

A distinção parece burocrática e não é. Se o alarme veio de um sensor com defeito, o conserto é manutenção. Se veio de uma folha ao vento, o sensor está certo e não há nada quebrado para consertar. O relatório SAND2019-4251 da Sandia coloca essa decisão como uma das mais difíceis do posto: diante de um alarme, o operador precisa decidir se aquilo é um alarme planejado, um alarme por incômodo, um alarme falso ou uma ameaça — escolha que, segundo o documento, envolve muita incerteza, e sobre eventos relevantes que são extremamente raros. Daí a organização deste texto por causa física: marca de câmera e nome de 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. Ela aparece onde não havia nada, tem contorno definido, desloca-se de forma contínua e coerente, e muda o brilho de uma região inteira da imagem de uma vez. Para qualquer método que dependa do que mudou entre um instante e outro, uma sombra é indistinguível de um corpo escuro se movendo pelo chão.

E uma sombra projetada tem uma propriedade cruel: ela é grande. Um pedestre a 30 m pode ocupar poucos pixels de altura, enquanto a sombra dele, esticada pelo sol baixo, ocupa vários. O sinal falso pode ser mais forte do que o verdadeiro. O que a sombra não tem é relevo, temperatura própria e independência da fonte de luz — e toda contramedida séria explora alguma dessas ausências, não o tamanho do borrão.

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

Câmera de luz visível precisa de luz natural ou artificial para formar imagem — a Axis repete esse ponto óbvio e crítico no seu documento sobre proteção de perímetro. À noite, o contraste que existe na cena costuma ser produzido pelas próprias fontes de luz, não pelos objetos. O resultado prático é que a cena noturna vira um conjunto de manchas claras sobre fundo preto: o facho do farol varrendo um muro, o reflexo numa poça, o retorno de uma placa refletiva, o brilho de uma janela molhada. Essas manchas nascem, crescem, deslocam-se e somem — comportamento que um detector treinado em objetos que se movem tende a levar a sério. Pior: a mancha de luz de um 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: ela 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 e partículas. O espalhamento pesa mais, e a perda depende do tamanho e da concentração das gotas.

A própria Axis faz a conta de exemplo: uma atenuação de 3 dB significa que apenas metade da energia emitida pelo objeto chega ao sensor, o que derruba a relação sinal-ruído e dificulta distinguir, no fundo da cena, folhagem de superfície lisa. O documento conclui que a atenuação degrada o desempenho da câmera e a confiabilidade das aplicações de análise de vídeo integradas. Some-se a isso a chuva vista de perto: uma gota iluminada junto da lente é um objeto brilhante, rápido e fora de foco, que não parece uma pessoa mas parece movimento.

Vegetação ao vento e câmera que balança produzem o mesmo erro

A Axis junta esses dois casos numa recomendação só, e o motivo é que eles são o mesmo fenômeno visto de dois lados. A orientação de instalação é garantir que a cena não contenha galhos, bandeiras ou objetos semelhantes que entrem e saiam do quadro quando venta, e montar a câmera da forma mais firme possível, mantendo 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

Um poste flexível ou uma fixação com folga transforma um dia de vento numa noite de alarmes. E o erro é global: a imagem inteira se desloca, então qualquer método que compare quadros consecutivos vê movimento em todo lugar ao mesmo tempo. Essa é, aliás, a assinatura que distingue o caso — movimento coerente do quadro inteiro não é movimento na cena.

Por que inseto e aranha no infravermelho geram tanto alarme?

Essa é a causa mais subestimada de todas, e a Axis a registra explicitamente: animais pequenos e insetos estão entre os gatilhos comuns de um sistema de vídeo. O motivo é geométrico e óptico, não biológico. O iluminador infravermelho fica na própria carcaça da câmera, então um inseto que pousa a poucos centímetros da lente recebe esse feixe inteiro e devolve muito mais luz do que qualquer coisa a 30 m — e, por estar tão perto, ocupa uma fração enorme do quadro. Uma aranha que faz teia na frente do domo produz, todas as noites, um objeto branco, grande, rápido e errático sobre fundo escuro.

Aqui a densidade de pixel trabalha contra o sistema. Como explicamos em densidade de pixel e DORI, pixels por metro dependem da distância. O inseto não engana o detector por ser parecido com uma pessoa; engana por ser, na imagem, muito maior do que uma pessoa.

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, configurado com resolução e taxa de bits menores. A Axis observa que, quando a análise é feita na própria câmera, ela pode trabalhar sobre o vídeo não comprimido, porque a compressão só entra na hora de transferir para um servidor central.

Existe medida experimental do efeito. Um estudo de 2022 avaliou compressão H.264 sobre um detector de objetos (YOLOv5) em 50 vídeos de vigilância, em cinco níveis de qualidade, e concluiu que o desempenho é razoavelmente robusto a compressão moderada, mas degrada de forma apreciável em compressão alta — sobretudo em cenas complexas, com iluminação ruim e alvos em movimento rápido. Ou seja: exatamente nas condições em que as causas anteriores desta lista já estavam atacando.

Quanto custa um falso positivo?

Custa a confiança de quem opera, e esse é o custo que ninguém coloca na planilha. O relatório da Sandia nomeia o risco ao discutir o projeto da interface: o sistema precisa permitir que o operador entenda quando um sensor está defeituoso e quando ele está alarmando por condição ambiental, sem induzir um efeito de baixa prevalência tão forte que os operadores passem a desligar alarmes automaticamente, sem julgá-los de verdade.

O mesmo documento relata um teste informal em que um engenheiro foi colocado diante da interface enquanto outro disparava sensores na ordem de um alarme a cada cinco segundos. Ele ficou rapidamente sobrecarregado só para reconhecer cada alarme. Não era um cenário de ataque: era o volume.

É por isso que 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 qualquer fornecedor que prometa um deveria explicar contra qual causa. O que existe é um conjunto de exigências de coerência. Ao listar as informações de que o operador precisa para decidir a causa de um alarme, o relatório da Sandia descreve, na prática, o que um sistema automático também precisa considerar.

Três princípios atravessam a tabela inteira. O primeiro: exigir coerência entre dois instantes independentes, porque quase toda causa desta lista é boa em produzir um instante convincente e ruim em produzir uma sequência convincente. O segundo: exigir tamanho e proporção compatíveis com a geometria conhecida da cena, o que transforma um problema de aparência num problema de medida. O terceiro: sempre que possível, exigir uma assinatura de outra natureza — a Sandia chama isso de sensores ortogonais, cujos dados não são afetados pela mesma causa que gerou o incômodo. É também por isso que o mesmo relatório insiste que o algoritmo apresente confiança e incerteza de forma compreensível a quem opera.