Tag: Camera

  • Câmeras de Cinema Que Viraram Câmeras de Celular

    Câmeras de Cinema Que Viraram Câmeras de Celular

    Uma câmera Arri Alexa 35 custa cerca de US$ 80 mil — só o corpo. Lentes à parte. Foi com ela (e suas irmãs da linha Alexa) que filmes como Roma, Parasita, Tudo em Todo Lugar ao Mesmo Tempo e Oppenheimer foram fotografados. A RED V-Raptor XL grava 8K em RAW com 17 stops de faixa dinâmica. A Sony Venice 2 tem sensor full-frame 8.6K com latitude de exposição tão absurda que dá pra recuperar detalhes onde o olho humano só veria silhueta. São máquinas que capturam luz com precisão quase religiosa — instrumentos cirúrgicos de narrativa visual. E o DNA de cada uma delas está no celular que você usa para filmar o cachorro fazendo graça.

    A Anatomia Compartilhada: Sensores CMOS

    O cinema digital moderno nasceu com sensores CMOS — a mesma tecnologia que alimenta câmeras de smartphone, câmeras de segurança e até sensores de carros autônomos. A diferença fundamental é tamanho: um sensor Super 35mm de cinema tem área de aproximadamente 24×14 mm; o sensor do iPhone 15 Pro Max tem cerca de 9,8×7,3 mm — cerca de 5 vezes menor. Mas a arquitetura interna é essencialmente a mesma: fotodiodos convertem fótons de luz em sinal elétrico; conversores analógico-digitais transformam esse sinal em dados; processadores de imagem aplicam algoritmos de redução de ruído, mapeamento tonal, balanço de branco. Cada avanço que a ARRI fazia em sensibilidade de sensor e reprodução de cores — o famoso ARRI Look — eventualmente chegava, miniaturizado e adaptado, aos sensores Sony, Samsung e OmniVision que equipam celulares. Os mesmos engenheiros que projetavam sensores para câmeras de cinema migraram para a indústria mobile ou, melhor ainda, trabalharam nas duas simultaneamente.

    O Choque Tangerine: Quando o Celular Invadiu Sundance

    Em 2015, Sean Baker fez algo que parecia impossível para um cineasta sério: filmou Tangerine inteiro com um iPhone 5S. Não como gimmick promocional — como escolha estética e orçamentária (orçamento total: US$ 100 mil). Ele usou o app FiLMiC Pro para controle manual de exposição e foco, e uma lente anamórfica adaptada por US$ 160. O filme estreou no Festival de Sundance, foi aclamado pela crítica com 96% no Rotten Tomatoes, e provou definitivamente que a ferramenta não faz o cineasta. De lá pra cá, a lista de produções sérias filmadas com iPhone só cresceu: Steven Soderbergh filmou High Flying Bird (2019) e Unsane (2018) com iPhone 7 Plus e iPhone 8. Zack Snyder usou iPhone para cenas de Liga da Justiça — Snyder Cut. A BBC e a Netflix aceitam material capturado em smartphone para produções específicas. Claude Lelouch, veterano do cinema francês, declarou que se tivesse um iPhone em 1966 teria filmado Um Homem e Uma Mulher com ele.

    A Ironia da Democratização

    A piada cósmica é que os mesmos estúdios que investiram bilhões em desenvolver sensores proprietários para câmeras de cinema financiaram — sem querer — a tecnologia que tornou essas câmeras parcialmente obsoletas para grande parte da produção audiovisual. Os sensores CMOS foram desenvolvidos originalmente nos laboratórios da NASA e do JPL nos anos 1990 para aplicações espaciais, refinados pela indústria cinematográfica, e absorvidos em escala massiva pelo mercado de consumo. Em 2026, um adolescente com um iPhone 15 filma em 4K a 60 fps em Dolby Vision HDR — qualidade de imagem objetivamente superior ao que qualquer diretor podia produzir nos anos 2000 com equipamento profissional. A barreira técnica da captação caiu. Não existe mais desculpa tecnológica para não filmar. O que sobra, agora, é talento, narrativa, luz, som, direção de atores — as coisas que nunca couberam dentro de um chip de silício.

    Referências

  • Visão Computacional com OpenCV e Raspberry Pi: A Campainha Que Sabe Quem Chegou

    Visão Computacional com OpenCV e Raspberry Pi: A Campainha Que Sabe Quem Chegou

    Reconhecimento facial era coisa de filme de espionagem em 2010. Em 2026, é uma biblioteca Python de 15 linhas rodando num computador de R$ 400 que cabe na palma da mão. O que mudou não foi só o hardware — foi o OpenCV, o projeto de visão computacional open-source mais importante do planeta, que transformou processamento de imagem de especialidade acadêmica em commodity para makers. Hoje vou mostrar como montar uma campainha inteligente que reconhece quem está na porta, notifica seu celular e mantém um registro de visitantes — tudo rodando localmente num Raspberry Pi 5.

    Visão Computacional com OpenCV e Raspberry Pi: A Campainha Que Sabe Quem Chegou
    Wikimedia Commons — CC BY-SA 4.0, autor the Raspberry Pi Foundation

    OpenCV: 25 Anos de Olhos de Máquina

    O OpenCV (Open Source Computer Vision Library) nasceu em 1999 como um projeto interno da Intel Research, liderado por Gary Bradski. A ideia original era acelerar aplicações de visão computacional usando as instruções MMX dos processadores Intel da época. Em 2000, foi liberado como open-source sob licença BSD. Desde então, tornou-se a biblioteca mais usada do mundo para processamento de imagem: mais de 2500 algoritmos otimizados, suporte a GPUs via CUDA e OpenCL, bindings para Python, C++, Java, MATLAB.

    Em 2001, Paul Viola e Michael Jones publicaram um paper que mudou a história da detecção facial: um algoritmo capaz de detectar rostos em tempo real usando classificadores em cascata baseados em características Haar-like. Esse algoritmo foi incorporado ao OpenCV e, duas décadas depois, ainda é o ponto de entrada mais comum para quem quer brincar com visão computacional. Ele não é o mais preciso (redes neurais convolucionais são melhores), mas é absurdamente rápido e funciona em hardware modesto.

    O Hardware: Por Que Raspberry Pi 5

    O Raspberry Pi 5, lançado em outubro de 2023, é um salto geracional significativo. Com o chip BCM2712 quad-core ARM Cortex-A76 a 2.4 GHz, 4 ou 8 GB de RAM e suporte a PCIe 2.0 x1, ele tem potência para rodar detecção facial em tempo real a 15-30 FPS sem GPU externa. A versão de 4 GB custa ~R$ 400-500 no Brasil (via importadores como FilipeFlop ou Mercado Livre). Com uma câmera oficial Raspberry Pi Camera Module 3 (8 MP, autofoco, ~R$ 150), você tem uma plataforma de visão computacional poderosa por menos de R$ 600.

    Materiais

    • Raspberry Pi 5 (4 GB) com cartão microSD de 32 GB+
    • Raspberry Pi Camera Module 3 (ou uma webcam USB compatível com Linux)
    • Fonte 5V/3A USB-C
    • Um buzzer ativo 5V — para a campainha física
    • Um botão táctil — o “botão de campainha”
    • Resistor 10kΩ para pull-up do botão

    Mão na Massa: O Código

    Assumindo Raspberry Pi OS Bookworm instalado e Python 3.11 (vem de fábrica), instale as dependências:

    sudo apt update
    sudo apt install python3-opencv python3-picamera2
    pip install opencv-python face-recognition numpy
    

    O face-recognition é uma biblioteca construída sobre o dlib e o OpenCV por Adam Geitgey. Ela abstrai a complexidade de deep learning com uma API de três linhas — literalmente.

    Crie o arquivo campainha.py:

    import cv2
    import face_recognition
    import numpy as np
    from picamera2 import Picamera2
    from datetime import datetime
    import json
    import os
    
    # Inicializa a câmera
    picam2 = Picamera2()
    config = picam2.create_preview_configuration(main={"size": (640, 480)})
    picam2.configure(config)
    picam2.start()
    
    # Carrega fotos de referência (rostos conhecidos)
    known_encodings = []
    known_names = []
    
    # Crie uma pasta 'faces' com fotos nomeadas: joao.jpg, maria.jpg
    faces_dir = "faces"
    if os.path.exists(faces_dir):
        for filename in os.listdir(faces_dir):
            if filename.endswith((".jpg", ".png")):
                img = face_recognition.load_image_file(f"{faces_dir}/{filename}")
                encodings = face_recognition.face_encodings(img)
                if encodings:
                    known_encodings.append(encodings[0])
                    known_names.append(os.path.splitext(filename)[0])
    
    print(f"Rostos carregados: {known_names}")
    
    # Variáveis de estado
    last_detection = {}
    cooldown = 30  # segundos entre notificações da mesma pessoa
    
    def log_visit(name):
        """Registra a visita em JSON"""
        entry = {
            "timestamp": datetime.now().isoformat(),
            "person": name
        }
        print(f"VISITA: {name} às {entry['timestamp']}")
        # Salva no arquivo de log
        try:
            with open("visits_log.json", "r") as f:
                log = json.load(f)
        except:
            log = []
        log.append(entry)
        with open("visits_log.json", "w") as f:
            json.dump(log, f, indent=2)
    
    print("Campainha Inteligente Iniciada. Pressione Ctrl+C para sair.")
    
    while True:
        frame = picam2.capture_array()
        
        # OpenCV usa BGR, face_recognition usa RGB
        rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        
        # Reduz resolução para acelerar processamento
        small_frame = cv2.resize(rgb_frame, (0, 0), fx=0.25, fy=0.25)
        
        # Detecta localizações dos rostos
        face_locations = face_recognition.face_locations(small_frame)
        face_encodings = face_recognition.face_encodings(small_frame, face_locations)
        
        for (top, right, bottom, left), encoding in zip(face_locations, face_encodings):
            name = "Desconhecido"
            color = (0, 0, 255)  # Vermelho para desconhecidos
            
            # Compara com rostos conhecidos
            if known_encodings:
                matches = face_recognition.compare_faces(known_encodings, encoding, tolerance=0.6)
                if True in matches:
                    idx = matches.index(True)
                    name = known_names[idx]
                    color = (0, 255, 0)  # Verde para conhecidos
            
            # Escala de volta para o tamanho original
            top, right, bottom, left = [x * 4 for x in (top, right, bottom, left)]
            
            # Desenha o retângulo
            cv2.rectangle(frame, (left, top), (right, bottom), color, 2)
            cv2.putText(frame, name, (left, top - 10),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)
            
            # Log com cooldown
            now = datetime.now().timestamp()
            if name not in last_detection or (now - last_detection[name]) > cooldown:
                log_visit(name)
                last_detection[name] = now
        
        # Mostra o frame
        cv2.imshow("Campainha Inteligente", frame)
        
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    
    cv2.destroyAllWindows()
    picam2.stop()
    

    Esse código faz cinco coisas: captura frames da câmera a 640×480, reduz para 160×120 para processar mais rápido, detecta rostos (Haar cascade acelerado por CNN via face_recognition), compara com uma base de rostos conhecidos e registra as visitas num arquivo JSON. Tudo local. Nada vai pra nuvem.

    Indo Além: Notificação no Celular

    O próximo passo é fazer a campainha notificar o celular quando alguém chega. Use o Pushover (app pago, US$ 5 vitalício) ou Telegram Bot API (grátis). Inclua isso no laço principal:

    import requests
    
    def notify(name):
        # Usando Telegram Bot API
        bot_token = "SEU_TOKEN"
        chat_id = "SEU_CHAT_ID"
        msg = f"Alguém na porta: {name}"
        url = f"https://api.telegram.org/bot{bot_token}/sendMessage"
        requests.post(url, json={"chat_id": chat_id, "text": msg})
    

    Agora você recebe uma notificação no celular com o nome de quem está na porta. Se for desconhecido, você decide se atende ou não — direto da notificação.

    Onde Isso Vai Parar

    A campainha que reconhece rostos é o portal de entrada para visão computacional maker. A partir daqui, você pode: detectar placas de carro no portão (EasyOCR + OpenCV), contar pessoas numa loja, identificar objetos numa esteira de produção, fazer leitura de medidores analógicos (gás, água, luz), classificar frutas numa máquina agrícola. O OpenCV é a biblioteca, o Raspberry Pi 5 é o cérebro — o limite é o problema que você quer resolver.

    E a pergunta filosófica que fica: se sua campainha sabe quem é você, quem mais precisa saber?

    Fontes e Referências