Uma câmera comum registra uma fotografia inteira da cena dezenas de vezes por segundo.
Uma câmera de eventos funciona de outra maneira.
Em vez de esperar pelo próximo quadro, cada pixel monitora continuamente as mudanças de brilho ao seu redor e envia um pequeno sinal quando detecta uma variação relevante.
Por isso, uma câmera de eventos não produz naturalmente uma sequência tradicional de imagens a 30, 60 ou 120 quadros por segundo. Ela produz um fluxo assíncrono de eventos, cada um informando onde uma mudança ocorreu, quando aconteceu e se a luminosidade aumentou ou diminuiu.
Essa diferença parece pequena, mas muda completamente a maneira como uma máquina pode perceber movimentos rápidos.
É também um dos exemplos mais concretos de sensoriamento neuromórfico: sistemas de engenharia que se inspiram em alguns princípios do processamento biológico sem tentar reproduzir literalmente o olho ou o cérebro humano.
O TecMaker já explicou essa ideia no artigo sobre computação neuromórfica e chips inspirados no cérebro. Aqui, vamos olhar especificamente para o sensor.
O que é uma câmera de eventos?
Uma câmera de eventos é um sensor visual no qual os pixels trabalham de maneira independente e assíncrona.
Em uma câmera convencional, o sensor captura todos os pixels de uma vez ou segundo um esquema de leitura e forma um quadro completo.
Depois de determinado intervalo, repete o processo.
Uma câmera de eventos não precisa esperar.
Quando a variação de intensidade luminosa detectada por um pixel ultrapassa um determinado limiar, aquele pixel produz um evento.
Esse evento normalmente contém quatro informações básicas:
posição horizontal do pixel, posição vertical, instante da mudança e polaridade da mudança.
A polaridade indica se o brilho aumentou ou diminuiu.
Em linguagem técnica, costuma-se representar isso como algo parecido com:
x, y, tempo e sinal da mudança.
A revisão científica de referência sobre visão baseada em eventos, publicada no IEEE Transactions on Pattern Analysis and Machine Intelligence, descreve exatamente esse funcionamento: pixels medem mudanças locais de brilho de forma assíncrona e produzem eventos com posição, tempo e direção da variação.
Uma analogia útil — com limite
Imagine uma sala com milhares de vigilantes, um em cada ponto da parede.
Uma câmera tradicional perguntaria a todos eles, em intervalos fixos:
“Como está tudo agora?”
Depois reuniria todas as respostas em uma imagem.
Na câmera de eventos, cada vigilante permanece em silêncio e envia uma mensagem apenas quando percebe alguma mudança.
Essa analogia ajuda a entender a economia de informação.
Mas ela tem um limite importante: o pixel não sabe o que mudou.
Ele não reconhece sozinho um carro, pessoa ou bola.
Ele apenas detecta uma mudança de luminosidade local.
A interpretação vem depois, por meio de algoritmos.
De onde surgiu essa ideia?
A visão baseada em eventos tem raízes na pesquisa neuromórfica e nos chamados sensores de “retina de silício”.
Um marco importante ocorreu em 2008, quando Patrick Lichtsteiner, Christoph Posch e Tobi Delbrück publicaram um sensor de 128 × 128 pixels no IEEE Journal of Solid-State Circuits.
Cada pixel detectava mudanças relativas de intensidade de forma contínua e enviava eventos assíncronos.
Aquele dispositivo experimental alcançava mais de 120 dB de faixa dinâmica, latência mínima de cerca de 15 microssegundos sob condições específicas e consumo de 23 mW no chip descrito pelo trabalho. Esses números pertencem àquele sensor particular e não devem ser generalizados para qualquer câmera moderna.
A partir daí, a tecnologia avançou em resolução, integração e software.
Hoje existem sensores comerciais e kits industriais de empresas como Sony Semiconductor Solutions, Prophesee e iniVation.
A Sony, por exemplo, desenvolveu com a Prophesee sensores empilhados como os IMX636 e IMX637, voltados para visão baseada em eventos em aplicações industriais.
Portanto, não estamos falando apenas de uma hipótese acadêmica.
Câmeras de eventos já existem fisicamente e estão disponíveis para desenvolvimento e algumas aplicações industriais.
Isso não significa, porém, que tenham substituído as câmeras convencionais.
Como uma câmera de eventos funciona?
O ponto central é entender a diferença entre quadro e evento.
Câmera tradicional
Imagine uma câmera operando a 30 quadros por segundo.
Ela produz uma imagem completa aproximadamente a cada 33 milissegundos.
Mesmo que quase nada tenha mudado entre dois quadros, ela ainda precisa registrar e transmitir uma grande quantidade de dados semelhantes.
Se apenas uma pequena bola se mover em uma parede parada, a câmera continua capturando:
a parede, o chão, o teto, os objetos parados e a bola.
Câmera de eventos
Agora imagine a mesma cena com um sensor baseado em eventos.
Os pixels da parede que não detectaram mudança podem permanecer praticamente silenciosos.
Os pixels relacionados ao deslocamento da bola começam a produzir eventos.
Com isso, a saída do sensor fica concentrada justamente nas regiões onde houve alterações.
Esse tipo de funcionamento é chamado de esparso.
O princípio se conecta diretamente ao que acontece nas redes neurais espinhosas ou Spiking Neural Networks: em ambos os casos, a informação pode ser transmitida por eventos discretos ao longo do tempo.
Isso não significa que uma câmera de eventos precise necessariamente de uma SNN para funcionar.
São tecnologias distintas que podem ser combinadas.
A câmera de eventos realmente não tem FPS?
Tecnicamente, o fluxo nativo de uma câmera de eventos não é organizado em frames, portanto a taxa tradicional de “quadros por segundo” não descreve adequadamente o sensor.
Cada pixel pode produzir eventos quando necessário.
Os eventos recebem marcações temporais extremamente precisas, frequentemente na escala de microssegundos.
Por isso, às vezes surgem comparações do tipo:
“uma câmera de eventos equivale a uma câmera de milhares ou milhões de FPS”.
Essa frase pode ser enganosa.
Uma câmera de eventos não está secretamente capturando milhões de imagens completas por segundo.
Ela está registrando mudanças individuais com alta resolução temporal.
Em alguns experimentos, essa resolução permite atingir latências equivalentes às de câmeras convencionais com frame rates extremamente elevados, mas com muito menos dados.
Um estudo publicado na Nature em 2024 demonstrou isso em visão automotiva: a combinação de uma câmera RGB de 20 fps com uma câmera de eventos atingiu, naquele sistema específico, latência perceptual comparável à de uma câmera de 5.000 fps, com largura de banda semelhante à de uma câmera convencional de 45 fps.
Isso é muito diferente de afirmar que “a câmera de eventos filma a 5.000 fps”.
O que a câmera realmente “enxerga”?
Outro ponto que causa confusão é imaginar que a saída do sensor seja parecida com uma fotografia.
Normalmente, não é.
Um evento individual apenas diz algo como:
“Neste ponto da imagem, neste instante, houve uma mudança de luminosidade nesta direção.”
Ao acumular muitos eventos durante um pequeno intervalo, podemos criar uma visualização que lembra contornos em movimento.
Mas isso é uma representação construída a partir dos eventos, não um frame RGB convencional capturado naquele instante.
Pesquisadores também desenvolveram métodos capazes de reconstruir imagens convencionais a partir do fluxo de eventos.
No entanto, esse é um problema computacional adicional.
O grupo de Robótica e Percepção da Universidade de Zurique destaca que reconstruir intensidade absoluta a partir apenas dos eventos é um problema matematicamente difícil, porque o sensor registra mudanças, não uma fotografia completa da luminosidade da cena.
Existem ainda câmeras híbridas, como a família DAVIS, capazes de produzir simultaneamente eventos e quadros tradicionais no mesmo dispositivo. A documentação atual da DAVIS346, por exemplo, descreve saída concorrente de eventos e frames, além de uma unidade inercial.
Por que câmeras de eventos podem ser tão rápidas?
Em uma câmera tradicional, a percepção depende da chegada do próximo quadro.
Uma câmera de 30 fps pode ficar mais de 30 milissegundos entre duas imagens.
Uma câmera de eventos não precisa esperar.
Assim que um pixel detecta uma mudança suficiente, pode gerar um evento.
Por isso, determinados sensores conseguem trabalhar com latências na ordem de microssegundos ou centenas de microssegundos, dependendo da iluminação, configuração e hardware.
Por exemplo, o sensor comercial IMX636, desenvolvido em colaboração entre Sony e Prophesee, possui resolução de 1280 × 720 e especificações de latência abaixo de 100 microssegundos sob 1.000 lux, segundo a documentação do fabricante.
Esse número é uma especificação daquele sensor em determinadas condições, e não uma propriedade garantida de todas as câmeras de eventos.
O que as evidências mostram
Existem pelo menos três vantagens bem documentadas dessa tecnologia.
Alta resolução temporal
Como os eventos são gerados individualmente, movimentos muito rápidos podem ser registrados sem esperar pelo próximo frame.
Isso é especialmente interessante para robótica, drones e máquinas industriais.
Grande faixa dinâmica
Event cameras podem operar em situações que combinam regiões muito claras e muito escuras.
O sensor experimental de 2008 já demonstrava faixa dinâmica acima de 120 dB. Sensores atuais também anunciam valores nessa ordem, dependendo do modelo e método de medição.
Pouca redundância em cenas adequadas
Quando apenas pequenas partes da cena mudam, o sensor não precisa transmitir uma imagem inteira repetidas vezes.
Isso pode reduzir largura de banda e processamento.
O ponto importante é a expressão “em cenas adequadas”.
Se praticamente tudo estiver mudando rapidamente — por exemplo, uma câmera em forte movimento diante de uma cena extremamente detalhada — a quantidade de eventos pode crescer muito.
Ou seja:
event camera não significa automaticamente pouco dado em qualquer situação.
Câmeras de eventos eliminam o borrão de movimento?
Elas evitam o borrão de movimento da mesma maneira que ele aparece em câmeras baseadas em exposição de frames.
Em uma câmera convencional, um objeto pode se deslocar durante o período em que o sensor integra luz para formar a imagem.
Isso gera o conhecido motion blur.
Como a câmera de eventos registra mudanças com alta precisão temporal, ela não depende da mesma exposição de um quadro inteiro.
Por isso, sensores baseados em eventos são particularmente interessantes em movimentos muito rápidos. A literatura científica frequentemente destaca baixo borrão de movimento como uma de suas principais propriedades.
Entretanto, imagens reconstruídas posteriormente a partir de eventos podem apresentar outros artefatos.
Portanto, “não sofre motion blur” não significa “produz imagens perfeitas em qualquer velocidade”.
O que ainda não foi demonstrado
É justamente aqui que precisamos separar tecnologia real de entusiasmo.
Não foi demonstrado que câmeras de eventos substituirão câmeras normais
Uma câmera convencional é excelente para registrar:
cores, texturas, rostos, paisagens e detalhes estáticos.
Uma câmera de eventos pura registra principalmente mudanças.
Se a cena e a iluminação permanecerem perfeitamente estáticas, poucos ou nenhum evento será produzido.
Isso é uma vantagem para determinadas tarefas e uma limitação para outras.
Por isso, muitos sistemas de pesquisa combinam eventos com câmeras tradicionais.
O estudo automotivo publicado na Nature, por exemplo, obteve seus resultados mais interessantes justamente com uma arquitetura híbrida, unindo frames RGB e eventos.
Não é verdade que sempre consomem menos energia
O sensor pode ter baixo consumo.
Mas precisamos analisar o sistema completo.
Se um algoritmo converter continuamente milhões de eventos em imagens densas para depois processá-las em uma rede convencional, parte da vantagem da arquitetura esparsa pode desaparecer.
O próprio trabalho da Nature destaca que abordagens que transformam eventos em representações densas podem aumentar processamento, consumo e latência.
Elas não “enxergam como o cérebro”
A retina biológica inspirou parte da concepção desses sensores.
Mas uma retina real possui circuitos neurais, diferentes tipos celulares, adaptação, processamento temporal e mecanismos bioquímicos muito mais complexos.
A câmera captura uma propriedade específica — mudanças de intensidade — por meio de circuitos eletrônicos.
Bioinspirado não significa biologicamente equivalente.
Exemplos reais de câmeras e sensores de eventos
Hoje já existem diversas famílias de hardware.
O Dynamic Vision Sensor, ou DVS, foi um dos primeiros sistemas amplamente usados em pesquisa.
Depois surgiram câmeras como DAVIS, capazes de combinar eventos e frames.
Também existem sensores comerciais produzidos com participação de empresas tradicionais de semicondutores.
Um exemplo atual é o Sony IMX636, desenvolvido com a Prophesee. A documentação lista resolução HD de 1280 × 720, operação de grande faixa dinâmica e consumo típico do sensor na ordem de dezenas de miliwatts.
Além disso, já existem câmeras industriais baseadas nesses sensores e módulos destinados a robótica, análise de movimento, inspeção e integração embarcada.
Isso mostra que a tecnologia saiu do estágio de laboratório.
Mas sua adoção ainda é muito mais especializada do que a de câmeras CMOS convencionais.
Onde câmeras de eventos podem ser úteis?
A vantagem aparece principalmente quando três fatores se combinam:
movimento rápido, necessidade de baixa latência e processamento local.
Robótica
Um robô móvel precisa perceber mudanças do ambiente rapidamente.
Uma câmera de eventos pode detectar movimentos entre os frames que uma câmera convencional capturaria.
Isso se conecta diretamente ao conceito de IA física, em que sistemas precisam perceber, decidir e agir no mundo real.
Drones
Drones pequenos enfrentam restrições de peso, energia e processamento.
Ao mesmo tempo, precisam reagir rapidamente a obstáculos.
Por isso, event cameras aparecem com frequência em pesquisas de navegação aérea e manobras rápidas.
O grupo da Universidade de Zurique mantém há anos datasets e experimentos de visão baseada em eventos aplicados justamente à robótica de alta velocidade.
Veículos
Em sistemas automotivos, dezenas de milissegundos podem fazer diferença.
A pesquisa de 2024 na Nature mostrou que eventos podem preencher a “zona cega” existente entre dois frames RGB e melhorar a atualização temporal da detecção de objetos.
Isso é evidência de uma aplicação possível.
Não significa que veículos autônomos devam abandonar câmeras convencionais.
Indústria
Máquinas industriais podem usar event cameras para:
monitorar peças em alta velocidade, detectar vibrações, acompanhar objetos e realizar inspeção dinâmica.
Como o sensor responde rapidamente a mudanças, ele pode ser particularmente útil em situações nas quais uma câmera tradicional precisaria operar a frame rates muito elevados.
Edge AI
Essa talvez seja uma das conexões mais interessantes com o restante do cluster.
Se o sensor já elimina parte da informação redundante antes de enviá-la ao processador, o sistema pode reduzir a quantidade de dados que precisa mover e analisar.
Isso combina com a evolução de IA embarcada e dispositivos autônomos no universo maker.
Qual é a relação com computação neuromórfica?
Uma câmera de eventos pode existir sem um chip neuromórfico.
E um chip neuromórfico pode trabalhar com dados que não vêm de uma câmera.
Mas as duas tecnologias se complementam muito bem.
Imagine:
sensor baseado em eventos → algoritmo baseado em eventos → processador baseado em eventos.
Nesse cenário, a informação poderia permanecer esparsa desde a percepção até o processamento.
É justamente por isso que câmeras de eventos aparecem com frequência ao lado de Spiking Neural Networks e hardware neuromórfico.
O recente artigo do TecMaker sobre Intel Hala Point e Loihi 2 explica o outro lado dessa arquitetura: processadores projetados para trabalhar com atividade distribuída e orientada a eventos.
Uma revisão recente sobre visão robótica neuromórfica destaca justamente a integração entre sensores de eventos, algoritmos inspirados em spikes e hardware especializado como uma das linhas mais promissoras para sistemas autônomos eficientes.
O que isso muda na prática?
Para o consumidor comum, provavelmente pouco no curto prazo.
Seu smartphone continuará usando principalmente câmeras convencionais para fotografias e vídeos.
Mas câmeras de eventos podem aparecer cada vez mais ao lado delas, como sensores auxiliares.
A própria Prophesee já demonstra soluções que combinam câmera RGB e sensor de eventos para reduzir borrão em fotografias de smartphone em movimento e baixa luz. Trata-se de uma solução comercial anunciada pela empresa, e não de uma adoção universal pela indústria móvel.
No mundo industrial, robótico e científico, o impacto pode ser maior.
A tecnologia oferece uma maneira diferente de responder a uma pergunta fundamental:
uma máquina realmente precisa registrar toda a cena repetidamente para saber o que mudou?
Em algumas aplicações, talvez não.
Perguntas frequentes
O que é uma câmera de eventos?
É um sensor visual em que cada pixel registra mudanças de brilho de forma independente e assíncrona. Em vez de produzir apenas quadros completos, ela gera um fluxo de eventos com posição, tempo e direção da mudança.
Câmera de eventos e câmera neuromórfica são a mesma coisa?
Os termos frequentemente aparecem como sinônimos porque event cameras foram inspiradas em princípios de processamento visual biológico. Porém, “visão neuromórfica” é um conceito mais amplo e também pode incluir outros tipos de sensores e processamento.
Câmeras de eventos gravam vídeo?
O sensor puro gera eventos, não uma sequência tradicional de frames. É possível agrupar ou processar esses eventos para criar visualizações e reconstruir vídeo. Algumas câmeras híbridas produzem eventos e frames simultaneamente.
Qual é a vantagem de não usar frames?
Ela pode reduzir latência e redundância e melhorar a captura de movimentos rápidos ou cenas com grande variação de iluminação.
A câmera de eventos só detecta movimento?
Mais precisamente, ela detecta mudanças locais de intensidade luminosa. Movimento costuma produzir essas mudanças, mas alterações de iluminação, reflexos e cintilação também podem gerar eventos.
Uma câmera de eventos vê objetos parados?
Se nada mudar na cena e na iluminação, uma câmera puramente baseada em eventos gera pouca informação sobre objetos estáticos. Por isso, sistemas híbridos podem combinar eventos com frames convencionais.
Câmeras de eventos usam menos energia?
Alguns sensores apresentam consumo muito baixo e podem reduzir dados redundantes. Porém, o consumo do sistema completo depende do sensor, algoritmo, processador e aplicação.
Elas podem funcionar com redes neurais espinhosas?
Sim. O formato assíncrono dos eventos combina naturalmente com Spiking Neural Networks, embora não seja obrigatório usar uma SNN.
Leituras externas sobre câmeras de eventos
Selecionamos pesquisas e páginas de instituições que ajudam a entender como funciona a visão baseada em eventos, de onde surgiu essa tecnologia e o que os experimentos atuais realmente demonstram.
IEEE — Event-based Vision: A Survey
Uma das principais revisões científicas sobre visão baseada em eventos. O trabalho explica como esses sensores funcionam, como os eventos são representados e quais são as principais aplicações, algoritmos e limitações da tecnologia.
Ler a revisãoIEEE — sensor DVS de Lichtsteiner, Posch e Delbrück
Artigo de 2008 que descreve um dos marcos da visão neuromórfica moderna: um sensor CMOS de 128 × 128 pixels capaz de detectar mudanças de intensidade de forma assíncrona, com alta faixa dinâmica e baixa latência.
Consultar artigoUniversidade de Zurique — pesquisa em visão baseada em eventos
O Robotics and Perception Group da Universidade de Zurique é uma das referências internacionais na área. A página reúne pesquisas sobre câmeras de eventos aplicadas a robótica, navegação, reconstrução de imagens, percepção de movimento e sistemas autônomos.
Conhecer a pesquisaNature — visão automotiva de baixa latência com câmeras de eventos
Estudo publicado em 2024 que combinou câmera RGB e câmera de eventos para reduzir a latência da percepção automotiva. O experimento é especialmente útil para entender por que eventos podem complementar frames convencionais em sistemas que precisam reagir rapidamente.
Ler estudoUniversidade de Zurique — reconstrução de imagens com E2VID
Projeto científico que mostra como algoritmos podem reconstruir imagens convencionais a partir de fluxos de eventos. É uma boa referência para entender a diferença entre os dados produzidos pelo sensor e uma fotografia tradicional.
Ver projetoSony Semiconductor Solutions — sensores de visão por eventos
Fonte institucional sobre os sensores desenvolvidos pela Sony em colaboração com a Prophesee. Ajuda a mostrar como a tecnologia saiu dos laboratórios e chegou a componentes destinados a aplicações industriais e sistemas comerciais especializados.
Ver tecnologiaCritério editorial TecMaker: as leituras acima incluem artigos científicos, universidades e fontes primárias da indústria. Resultados de latência, consumo, faixa dinâmica e desempenho pertencem às condições de cada experimento ou sensor e não devem ser generalizados para todas as câmeras de eventos.
Conclusão
Uma câmera de eventos não é simplesmente uma câmera convencional mais rápida.
Ela representa uma maneira diferente de perceber o mundo.
Enquanto câmeras tradicionais perguntam repetidamente:
“como está toda a cena agora?”
uma câmera baseada em eventos pergunta:
“o que acabou de mudar?”
Essa mudança de lógica permite alcançar alta resolução temporal, grande faixa dinâmica e processamento esparso em situações nas quais movimentos rápidos e baixa latência são importantes.
Ao mesmo tempo, a tecnologia possui limitações reais.
Ela não substitui automaticamente uma câmera RGB, não reconhece objetos sozinha, não garante menor consumo em qualquer aplicação e não reproduz a visão biológica humana.
O potencial aparece justamente quando usamos a tecnologia no problema certo.
Robôs, drones, veículos, máquinas industriais e dispositivos de edge AI precisam reagir ao ambiente continuamente.
Para esses sistemas, perceber mudanças relevantes assim que elas acontecem pode ser mais útil do que produzir dezenas ou centenas de fotografias completas por segundo.
É por isso que câmeras de eventos ocupam uma posição tão interessante dentro da computação neuromórfica: elas levam a lógica orientada a eventos para o primeiro estágio da inteligência de uma máquina — a percepção.
A Equipe TecMaker é o núcleo editorial e de testes do portal, dedicada a trazer análises imparciais, comparativos de produtos e as últimas notícias do universo da tecnologia. Nosso objetivo é decodificar a inovação e ajudar nossos leitores a fazerem as melhores escolhas no mercado digital e de dispositivos emergentes.
