Leitura automática de placas: o que os números de Maricá e Volta Redonda mostram sobre OCR na segurança pública

Uma câmera de leitura de placas não reconhece rosto, não grava áudio e, na maior parte do tempo, não gera nenhum alerta. Ela fica apontada para o fluxo de veículos em um ponto de entrada ou saída da cidade, fotografando placa por placa, comparando cada uma contra uma base de dados. Quando não há problema, o sistema descarta a imagem sem intervenção humana. O valor aparece no raro momento em que a placa lida coincide com um veículo roubado, furtado ou com restrição judicial, e é nesse ponto que a diferença entre um projeto de CFTV genérico e um projeto de leitura automática de placas (conhecido pela sigla em inglês LPR, de license plate recognition) fica evidente.

Dois casos recentes no Rio de Janeiro mostram esse valor em números concretos, não em promessa de fornecedor.

O que Maricá e Volta Redonda mostraram na prática

Em Maricá, o Centro Integrado de Operações de Segurança Cidadã opera 773 câmeras, das quais 164 são do tipo OCR, dedicadas a ler placas. Depois da integração dessas câmeras ao centro de operações, em 19 de março, o número de veículos recuperados subiu 75% em relação ao período anterior. Em pouco mais de um mês de operação plena, a prefeitura contabilizou 33 veículos roubados ou furtados recuperados com apoio direto das câmeras de leitura de placa.

Em Volta Redonda, também no estado do Rio, o resultado veio em um horizonte maior: entre dezembro de 2025 e maio de 2026, as forças de segurança municipais recuperaram 28 veículos com o auxílio das câmeras de leitura de placas, uma média de mais de um veículo por semana ao longo dos seis meses.

Os dois números não são comparáveis diretamente, porque as bases de câmeras, o desenho da malha urbana e o período de medição são diferentes. Mas os dois casos apontam para o mesmo mecanismo: a câmera sozinha não recupera nada. O que recupera o veículo é o alerta chegando a uma equipe de campo em minutos, e não a um relatório mensal que alguém vai ler depois. Isso já foi discutido em outro contexto neste blog: a governança do sistema pesa mais do que o número de câmeras anunciado no lançamento, e leitura de placa é o exemplo mais direto dessa regra, porque o resultado é auditável veículo por veículo.

São Paulo ilustra a mesma lógica em escala maior. O Smart Sampa, sistema de videomonitoramento da capital paulista, passou a habilitar a leitura de placas em parte da sua rede de câmeras para identificar veículos roubados, cruzando cada placa lida contra a base de ocorrências em tempo real. A lógica operacional é idêntica à de Maricá e Volta Redonda: a câmera lê, o sistema cruza, e uma central despacha a equipe mais próxima antes que o veículo saia da área de cobertura.

Como a tecnologia OCR funciona, sem o marketing do fornecedor

O nome técnico é reconhecimento óptico de caracteres, OCR, a mesma família de tecnologia usada para digitalizar documentos. Aplicado a placas de veículo, o processo segue três etapas.

Primeiro, a câmera capta a imagem. Câmeras de leitura de placa não são câmeras comuns adaptadas: elas usam iluminadores de luz infravermelha, que refletem na película retrorrefletiva da placa e produzem uma imagem de alto contraste, legível mesmo à noite ou com o veículo em movimento. É essa combinação de ótica específica e iluminação dedicada que separa uma câmera OCR de uma câmera de CFTV genérica apontada para a mesma via.

Segundo, o software converte a imagem em texto. O algoritmo de OCR isola os caracteres da placa e os transforma numa string pesquisável, descartando o restante da cena.

Terceiro, o sistema cruza esse texto, em milissegundos, contra bases de veículos roubados, furtados ou com pendência, e dispara um alerta para a central de operações quando há coincidência. É essa terceira etapa que faz a diferença entre uma câmera de leitura de placas e uma câmera com OCR embutido rodando sem integração: sem o cruzamento automático e o alerta imediato, a leitura de placa vira só um arquivo de imagens que ninguém tem tempo de revisar.

Quando a placa está suja, danificada ou fora do ângulo ideal, o sistema não força uma leitura de baixa confiança. Ele sinaliza a imagem para checagem manual, e é exatamente aqui que entra a exigência legal.

O que a lei exige antes de qualquer ação

A fiscalização eletrônica por OCR no Brasil é amparada pelo Código de Trânsito Brasileiro e regulamentada por resoluções do Conselho Nacional de Trânsito, o CONTRAN. A regra central é simples de enunciar e frequentemente ignorada em projetos mal desenhados: nenhuma autuação, multa ou abordagem policial pode se basear apenas na leitura automática da câmera. Um agente público precisa validar a imagem antes de qualquer ação.

Essa exigência não é burocracia sobreposta à tecnologia, é o que garante que um erro de leitura, uma placa mal iluminada, uma tentativa de clonagem, não vire uma abordagem policial equivocada ou uma multa indevida contra o proprietário errado. O mesmo raciocínio já apareceu neste blog no contexto de reconhecimento facial: os resultados de São Paulo e Rio Branco em 2026 mostraram que a taxa de acerto de uma tecnologia de identificação depende mais do protocolo de confirmação humana do que da câmera em si. Com placas, o princípio é o mesmo: tecnologia identifica, pessoa confirma, e só então alguém age.

Onde a leitura de placas entra no projeto de CFTV municipal

Um erro comum de planejamento é tratar câmera de leitura de placas como upgrade de câmera comum, comprando o equipamento mais caro sem repensar onde ele vai. Não funciona assim. Câmera OCR exige posicionamento específico: ângulo baixo, de frente para o fluxo, com distância calibrada para o tipo de lente, normalmente em portais de entrada e saída da cidade, cruzamentos de eixo estruturante ou pontos de afunilamento do tráfego. Espalhar câmeras OCR pela cidade inteira, do mesmo jeito que se distribui câmera de CFTV comum para cobertura de área, desperdiça orçamento sem melhorar a taxa de recuperação.

O critério prático que Maricá e Volta Redonda sugerem, ainda que em escalas diferentes, é concentrar a rede OCR nos pontos de entrada e saída, onde o veículo com placa suspeita precisa passar de qualquer forma, e deixar a cobertura de área para o CFTV convencional. Esse tipo de decisão de arquitetura é discutido com mais profundidade no guia de como estruturar um projeto de CFTV municipal sem desperdiçar orçamento, que trata do dimensionamento de rede antes da escolha de equipamento.

Sete Lagoas, em Minas Gerais, optou por combinar as duas camadas num único investimento: a cidade está ampliando o sistema para 960 câmeras até 2026, com investimento de R$ 16 milhões, somando reconhecimento facial e leitura automática de placas para identificar tanto pessoas com mandado em aberto quanto veículos irregulares em qualquer ponto do país. É um desenho mais caro, adequado a cidades com orçamento e volume de ocorrência que justifiquem as duas tecnologias operando juntas. Para a maioria dos municípios de pequeno e médio porte, faz mais sentido começar só pela camada que resolve o problema mais urgente, seja ele furto de veículo nas rodovias de acesso ou circulação de foragidos, e expandir a partir do resultado medido.

Vale notar que câmera OCR e câmera com reconhecimento facial competem pelo mesmo orçamento, mas resolvem perguntas diferentes. Uma responde "esse veículo tem restrição". A outra responde "essa pessoa tem mandado". Um projeto que tenta fazer as duas coisas com o orçamento de uma só normalmente entrega as duas de forma mediana. Definir qual pergunta é mais urgente para a cidade, antes de desenhar o edital, evita esse tipo de meio-termo.

Placa também é dado pessoal: o que muda no desenho do projeto

Placa de veículo, associada a um proprietário identificável no Detran, é dado pessoal para efeito da Lei Geral de Proteção de Dados. Isso não impede o uso de câmeras OCR em segurança pública, a própria LGPD prevê tratamento de dados para essa finalidade, mas impõe deveres que o projeto precisa prever desde o início: prazo de retenção definido para as imagens sem coincidência, controle de acesso a quem pode consultar o histórico de leituras de uma placa específica, e trilha de auditoria de cada consulta feita ao banco de dados.

Na prática, a maior parte das leituras de uma câmera OCR nunca gera alerta, porque a placa não bate com nenhuma restrição. Um projeto bem desenhado descarta essas leituras dentro de um prazo curto, em vez de acumular um histórico de deslocamento de toda a frota que circula pela cidade, o que criaria um risco de privacidade desproporcional ao benefício de segurança pública buscado. Esse é o tipo de decisão de arquitetura que separa um projeto de leitura de placas maduro de uma simples aquisição de câmera com etiqueta de OCR.

Como entra no orçamento e no cronograma municipal

Câmera OCR custa mais que câmera de CFTV convencional, porque embute ótica e iluminação específicas, e normalmente exige um servidor dedicado para o motor de reconhecimento de caracteres, separado do gravador de vídeo comum. Isso significa que o número de pontos com leitura de placa costuma ser uma fração pequena da rede total de câmeras da cidade, como mostra a proporção de Maricá, 164 câmeras OCR num total de 773.

Esse recorte também simplifica o cronograma. Um projeto que concentra o investimento em OCR nos portais de entrada e saída, em vez de tentar cobrir toda a malha viária de uma vez, entrega resultado mensurável em poucos meses, o que facilita tanto a prestação de contas quanto a decisão de expandir para uma segunda fase.

O indicador que realmente importa

O erro mais fácil de cometer ao apresentar um projeto de leitura de placas para a câmara municipal é usar o número de câmeras instaladas como indicador de sucesso. Nenhum dos dois casos citados aqui vendeu resultado dessa forma. Maricá mediu variação percentual de veículos recuperados antes e depois da integração. Volta Redonda mediu veículos recuperados por semana, ao longo de seis meses, não uma foto isolada de um mês bom.

Esse é o indicador que sobrevive a uma auditoria: quantos veículos com restrição foram efetivamente localizados, em quanto tempo, depois da leitura da câmera. Número de pontos com OCR instalado é orçamento executado. Veículo recuperado é resultado. Um gestor que apresenta o segundo número está em posição bem mais confortável para justificar a próxima fase do investimento do que um gestor que só tem o primeiro.