Aprendendo a trabalhar com a biblioteca OpenCV para realizar alterações em imagens e gravar vídeos utilizando a webcam.
Aplicação de filtros, transformações geométricas e técnicas de processamento digital de imagens.
Implementação de algoritmos de segmentação e detecção de bordas em imagens.
Criacao de rotinas que realizam a conversao de imagens em Histogramas e aplicacao de transformacoes para detectar tendencias ou caracterisiticas.
Técnicas de processamento de vídeo e análise de movimento em sequências de imagens.
Implementação de detecção de features usando SURF
Implementação de detecção de objetos e rostos usando cascatas Haar
Nesta etapa inicial, foram realizadas entrevistas empáticas com stakeholders para compreender profundamente as necessidades, expectativas e desafios dos usuários finais do sistema, com foco no impacto do trânsito no entorno da UFABC.
Foram conduzidas 5 entrevistas semi-estruturadas com diferentes perfis de usuários que se deslocam para a UFABC, utilizando técnicas de design thinking para capturar insights relevantes sobre os desafios de mobilidade urbana.
1 — Entrevistador: Como o trânsito na região da UFABC impacta quem depende de caronas ou apps para chegar ao campus?
Entrevistado: Cara, impacta bastante. A galera nem imagina o quanto. No fim da tarde, principalmente entre 16h e 18h30, a Avenida dos Estados vira praticamente um estacionamento. A partir do momento que ela trava, todo o entorno começa a sofrer. Eu pego muita corrida levando gente pra UFABC, e dá pra ver como o atraso cresce rápido — uma viagem de 10 minutos vira meia hora numa facilidade absurda. Eu costumo avisar o pessoal: "se for pela dos Estados, sai mais cedo", porque realmente existe esse gargalo inevitável.
2 — Entrevistador: Tem algum trecho específico que você sente que sempre atrasa?
Entrevistado: Com certeza. A descida que liga a Avenida dos Estados à Marechal Deodoro é quase um vilão do trânsito. É um funil ali, principalmente perto das trocas de turno da universidade. Se tem um acidente, um caminhão quebrado ou qualquer coisinha, a fila cresce rápido e começa a respingar em tudo — Atlântica, Pereira Barreto, até o acesso pela estação Saladino.
3 — Entrevistador: Você acha que informações em tempo real ajudariam quem depende de transporte público?
Entrevistado: Ajudariam demais. Porque quando a Avenida dos Estados trava, os ônibus sofrem muito. Não é só atraso de 5 ou 10 minutos — às vezes é o suficiente pra perder uma prova ou um trabalho importante. Se o aluno tivesse ali no celular uma informação mais honesta, tipo "olha, o fluxo tá ruim, sai mais cedo", evitaria muita dor de cabeça.
4 — Entrevistador: E câmeras com visão computacional poderiam ajudar nisso?
Entrevistado: Nossa, com certeza. Se tivesse um sistema analisando o fluxo dos carros e detectando quando a Avenida dos Estados está chegando no limite, já dava pra antecipar o problema antes da galera ficar presa lá. Isso pra quem pega ônibus ou carona é ouro.
5 — Entrevistador: Que tipo de aviso te parece mais útil?
Entrevistado: Algo simples e direto, mas antecipado: "Avenida dos Estados com início de lentidão — previsão de aumento de 15 minutos no trajeto até o campus". Não precisa muito mais do que isso pra ajudar o estudante a se organizar.
1 — Entrevistador: Como o trânsito influencia seu deslocamento até a UFABC usando ônibus?
Entrevistada: Nossa, influencia demais. O ônibus que eu pego, o 263, depende totalmente da fluidez da Avenida dos Estados. Quando ela tá tranquila, eu chego super de boa. Mas quando vem aquele congestionamento clássico das 17h, esquece — o ônibus simplesmente some por 20 minutos. Aí já era o horário de entrada no plantão.
2 — Entrevistador: Tem trechos que você percebe que sempre travam?
Entrevistada: Sim, aquele pedaço perto da Perimetral, quando a via começa a dar acesso à dos Estados, é sempre problemático. Parece que junta trânsito de todos os bairros ali. E quando chove, então… já sei que vou perder a segunda conexão no terminal.
3 — Entrevistador: Você sente falta de previsões realistas nos aplicativos?
Entrevistada: Muito. Eles mostram o horário da tabela, mas não mostram o que está acontecendo de verdade. Tem dia que aparece "chega em 5 minutos" e o ônibus simplesmente não vem porque está preso lá na Avenida dos Estados. É muito frustrante, principalmente pra quem trabalha com horário rígido como eu.
4 — Entrevistador: Acha que câmeras com visão computacional poderiam ajudar?
Entrevistada: Acho que seria uma mão na roda. Porque o problema não é saber "onde está o ônibus", e sim saber "por que ele está atrasado". Se as câmeras detectassem que a Avenida dos Estados está congestionada, seria muito mais assertivo.
5 — Entrevistador: Que tipo de aviso faria diferença na sua rotina?
Entrevistada: Algo como "Atraso previsto de +18 min por lentidão na Avenida dos Estados". Com isso, eu já mudaria meu horário de saída ou tentaria outro ônibus. Informação confiável faz toda a diferença.
1 — Entrevistador: Como o trânsito impacta suas aulas particulares na UFABC?
Entrevistado: Impacta diretamente. Eu dou aula pra vários alunos no campus, e meu deslocamento depende totalmente da Avenida dos Estados. Nos dias em que ela trava — o que acontece praticamente toda tarde — meu tempo de viagem quase dobra. Já teve dia de eu sair com 30 minutos de antecedência e mesmo assim chegar atrasado.
2 — Entrevistador: Existem trechos mais críticos no caminho?
Entrevistado: Sim. A rotatória da Utinga e o acesso à Avenida dos Estados são, pra mim, os principais. Se ali está congestionado, já sei que todo o corredor João Ramalho vai sentir. É como se fosse um efeito dominó.
3 — Entrevistador: Falta transparência sobre a situação das vias?
Entrevistado: Totalmente. A maioria das pessoas só descobre que a Avenida dos Estados está parada quando já está nela. Seria muito útil ter alguma forma de saber antes de entrar no caos.
4 — Entrevistador: Você acha que visão computacional poderia ajudar nisso?
Entrevistado: Sem dúvida. Se tivesse um sistema inteligente analisando o fluxo dos carros em tempo real e gerando alertas automáticos, os estudantes poderiam se planejar melhor. Especialmente quem depende de ônibus — porque o atraso deles vem 100% da condição das vias.
5 — Entrevistador: Que tipo de alerta você gostaria de receber?
Entrevistado: Algo como: "Avenida dos Estados com congestionamento acima da média — previsão de atraso de 20–25 min". Já ajudaria muito.
1 — Entrevistador: Como o trânsito impacta suas caronas até a UFABC?
Entrevistado: Pega forte. Eu vou com um amigo que estuda no campus, e já virou até piada interna: se a Avenida dos Estados estiver livre, chegamos cedo demais; se ela estiver travada, perdemos a primeira aula. É impressionante como uma única via define completamente o deslocamento.
2 — Entrevistador: Quais pontos você acha que mais atrapalham?
Entrevistado: Aquele trecho perto da estação Utinga, onde a via dá uma afunilada, costuma ser o mais complicado. Quando congestionado, ninguém anda. E quando abre, vai tudo muito rápido — parece que só precisava de um ajuste mais inteligente no fluxo.
3 — Entrevistador: Falta informação clara sobre isso para quem está indo pro campus?
Entrevistado: Falta demais. A maioria dos estudantes só descobre o problema quando já está preso no meio dele. Se houvesse alertas antecipados, muita gente poderia mudar a rota ou o horário.
4 — Entrevistador: Como câmeras e visão computacional poderiam ajudar?
Entrevistado: Poderiam prever quando o trânsito está prestes a piorar. Às vezes a Avenida dos Estados não está completamente travada, mas já está dando sinais. Um sistema inteligente poderia perceber isso e alertar antes que fique impossível de andar.
5 — Entrevistador: Que tipo de previsão seria mais útil pra você?
Entrevistado: Algo como "Trânsito crescente na Avenida dos Estados — risco de congestionamento em 10 min". Isso muda tudo.
1 — Entrevistador: Como o trânsito interfere no seu deslocamento para a UFABC usando ônibus?
Entrevistada: De forma bem direta. Eu dependo de dois ônibus pra chegar ao campus, e ambos passam por trechos próximos à Avenida dos Estados. Quando ela está fluindo bem, chego tranquila. Quando trava, tudo vira um efeito cascata: perco o primeiro ponto de conexão e acabo chegando 30 ou 40 minutos atrasada.
2 — Entrevistador: Quais trechos você percebe que mais atrasam?
Entrevistada: A Capitão Mário Toledo já tem um fluxo pesado por si só, mas o real problema começa no acesso à Avenida dos Estados. Basta ela dar uma leve travada que o ônibus já fica preso junto com caminhão, carro, tudo.
3 — Entrevistador: Os aplicativos refletem esses atrasos?
Entrevistada: Infelizmente não. Eles mostram o horário previsto, mas não mostram o porquê do atraso. Então você fica achando que o ônibus está vindo, quando na verdade está parado na Avenida dos Estados sem nenhuma previsão.
4 — Entrevistador: Sistemas de visão computacional poderiam melhorar isso?
Entrevistada: Com certeza. Se as câmeras identificassem quando o trânsito está aumentando demais, o sistema já poderia recalcular o tempo dos ônibus automaticamente. Isso deixaria a vida de quem depende de transporte público muito mais previsível.
5 — Entrevistador: Que tipo de informação seria mais útil?
Entrevistada: Algo como "Linha X com atraso por congestionamento na Avenida dos Estados — previsão +12min". Com essa clareza, já dá pra se organizar, pedir carona ou até pegar outro ônibus.
Identificação e documentação detalhada do cenário de aplicação do sistema de processamento visual, incluindo análise do ambiente, usuários e requisitos técnicos.
Desenvolvimento da modelagem funcional e arquitetura do sistema de processamento visual, definindo componentes, interfaces e fluxos de dados.
Apresentação formal do projeto incluindo contexto, modelagem funcional e plano de desenvolvimento para validação com orientadores e colegas.
Fase de desenvolvimento e implementação do Sistema de Processamento Visual, incluindo codificação, testes unitários e integração de componentes.
Evidência de Desenvolvimento
Elaboração e execução de experimentos em ambiente controlado para validação do sistema, incluindo coleta de dados, análise de desempenho e refinamento.
Validação do sistema em condições reais de operação, testando robustez, usabilidade e desempenho em cenários práticos.
Vídeo demonstrativo mostrando a execução do sistema SPV durante o teste de campo, com integrante da equipe e/ou usuário consentido.
Descrição:
Demonstração da execução do Sistema de Processamento Visual (SPV) em ambiente real, mostrando o processo completo desde a captura da imagem da câmera até a geração do relatório de densidade de tráfego. O vídeo apresenta a interface do sistema, detecção de veículos em tempo real e análise dos resultados.
Data:
Novembro de 2025
Local:
UFABC - Santo André, SP
Participantes:
Equipe do projeto + usuário voluntário
Duração:
~5 minutos
Elaboração do relatório técnico completo documentando todo o processo de desenvolvimento, resultados obtidos e conclusões do projeto SPV (Sistema de Processamento Visual).
Este relatório está organizado nas seguintes seções principais:
O presente trabalho tem como objetivo principal desenvolver um Sistema de Processamento Visual (SPV) para detecção e análise de densidade de tráfego em tempo real utilizando técnicas de visão computacional e aprendizado profundo.
Contexto: Monitoramento de tráfego na Avenida dos Estados, Santo André, SP - região próxima à UFABC com alto volume de veículos nos horários de pico.
Problema Identificado: Falta de informações em tempo real sobre condições de tráfego para estudantes e funcionários que se deslocam até o campus.
Visão Computacional: Área da inteligência artificial que permite computadores interpretarem e compreenderem o mundo visual a partir de imagens e vídeos.
YOLO (You Only Look Once): Arquitetura de rede neural convolucional para detecção de objetos em tempo real, desenvolvida por Redmon et al. (2016). A versão 3 utilizada neste projeto apresenta melhorias significativas em precisão e velocidade.
OpenCV: Biblioteca open-source de visão computacional com mais de 2500 algoritmos otimizados para processamento de imagens e vídeos.
O sistema foi modelado seguindo arquitetura modular composta por 4 componentes principais:
| Módulo | Função | Tecnologias |
|---|---|---|
| Captura | Ingestão de imagens da câmera pública | C++, cURL |
| Pré-processamento | Melhoria de qualidade da imagem | OpenCV, CLAHE, Bilateral Filter |
| Detecção | Identificação de veículos | YOLO v3, OpenCV DNN |
| Análise | Cálculo de densidade e relatórios | C++, JSON |
Arquitetura do Sistema:
security-cam-image-detector/
├── src/
│ ├── Input/
│ │ └── ingest.cpp # Captura de imagens
│ ├── service/
│ │ ├── pre_processing/
│ │ │ └── filter_image.cpp # Pré-processamento
│ │ └── processing/
│ │ └── traffic_density.cpp # Detecção e análise
│ └── main.cpp # Orquestrador principal
├── resources/
│ ├── images/ # Imagens capturadas
│ └── models/
│ ├── yolov3.weights # Modelo YOLO
│ └── yolov3.cfg # Configuração
└── CMakeLists.txt # Sistema de build
src/main.cpp - Ponto de entrada e orquestração do pipelinesrc/Input/ingest.cpp - Módulo de captura de imagenssrc/service/pre_processing/filter_image.cpp - Filtros e pré-processamentosrc/service/processing/traffic_density.cpp - Detecção e análise de densidade
include/traffic_density.h - Headers e definiçõesresources/models/yolov3.weights - Pesos treinados do YOLO v3 (236 MB)resources/models/yolov3.cfg - Configuração da rede neuralresources/models/coco.names - Classes de objetos detectáveisresources/images/avenida_dos_estados/ - Imagens capturadas da câmeraresources/images/processed/ - Imagens pré-processadasassets/field-test-demo.mp4 - Vídeo de demonstração do teste de campoassets/detection-examples/ - Exemplos de detecções realizadasCMakeLists.txt - Configuração do sistema de buildREADME.md - Documentação do projetoscripts/download_models.sh - Script para download dos modelosdocs/ - Documentação técnica adicional| Requisito | Implementação | Atendimento | Métricas |
|---|---|---|---|
| Captura de imagens | Ingestão via HTTP de câmera pública | 100% | Taxa de sucesso: 98.5% |
| Pré-processamento | CLAHE + Filtro Bilateral | 100% | Melhoria PSNR: +3.2 dB |
| Detecção de veículos | YOLO v3 via OpenCV DNN | 95% | Precisão: 87.3%, Recall: 82.1% |
| Cálculo de densidade | Análise de área ocupada | 100% | Correlação com contagem manual: 0.89 |
| Tempo real | Processamento otimizado | 80% | Tempo médio: 2.8s por frame |
| Interface usuário | Display OpenCV + Relatório JSON | 90% | Nota média usuários: 4.2/5 |
Pontos Fortes:
Limitações Identificadas:
O roteiro completo do laboratório experimental foi desenvolvido e está disponível na Parte 5 deste documento.
Resumo do Roteiro:
Metodologia de Teste:
| Experimento | Participantes | Taxa Conclusão | Tempo Médio | Dificuldades |
|---|---|---|---|---|
| 1. Execução Básica | 10/10 | 100% | 8 min | Nenhuma |
| 2. Análise Temporal | 10/10 | 100% | 25 min | Interpretação de dados |
| 3. Verificação Acurácia | 8/10 | 80% | 15 min | Contagem manual |
| 4. Análise Desempenho | 10/10 | 100% | 12 min | Nenhuma |
| 1. Facilidade de uso | 4.3/5 |
| 2. Clareza das instruções | 4.5/5 |
| 3. Compreensão técnica | 4.1/5 |
| 4. Coerência dos resultados | 4.2/5 |
| 5. Clareza da interface | 4.0/5 |
| 6. Tempo adequado | 3.8/5 |
| 7. Potencial prático | 4.6/5 |
| 8. Aprendizado obtido | 4.4/5 |
| 9. Identificação melhorias | 4.2/5 |
| 10. Recomendação | 4.5/5 |
| MÉDIA GERAL | 4.26/5 |
Com base nos experimentos realizados e nos resultados obtidos, conclui-se que:
A modelagem funcional proposta (MF) se mostrou adequada ao problema:
O desenvolvimento do Sistema de Processamento Visual (SPV) para detecção de densidade de tráfego alcançou os objetivos propostos de forma satisfatória. A média de avaliação de 4.26/5 pelos usuários indica boa aceitação e usabilidade do sistema.
O projeto demonstrou a viabilidade de aplicação prática de conceitos de visão computacional e aprendizado profundo em problemas reais da comunidade acadêmica. A experiência obtida durante o desenvolvimento evidenciou tanto o potencial quanto os desafios de sistemas de monitoramento inteligente.
Apesar das limitações identificadas, o sistema construído serve como base sólida para expansões futuras e demonstra o valor de soluções tecnológicas para problemas de mobilidade urbana.
Acesse o código-fonte completo, modelos, documentação e exemplos
Acessar RepositórioBaixe este relatório em diferentes formatos para apresentação ou impressão.
Apresentação formal dos resultados finais do projeto, incluindo demonstração do sistema funcionando e discussão dos resultados alcançados.
Acesse o código fonte completo do projeto no GitHub.