El conteo preciso de vehículos mediante videovigilancia es crucial para una gestión eficiente del tráfico. Sin embargo, lograr una alta precisión en el conteo garantizando al mismo tiempo eficiencia computacional sigue siendo un desafío. Para abordar este problema, proponemos un marco completamente automatizado de conteo de vehículos basado en vídeo, diseñado para optimizar tanto la eficiencia computacional como la precisión del conteo. Nuestro marco funciona en dos fases diferenciadas: estimación y predicción. En la fase de estimación, se determina automáticamente la región de interés (ROI) óptima mediante una combinación novedosa de tres modelos basados en puntuaciones de detección, puntuaciones de seguimiento (tracking) y densidad de vehículos. Este enfoque adaptativo garantiza la compatibilidad con cualquier método de detección y seguimiento, lo que incrementa la versatilidad del marco. En la fase de predicción, el conteo de vehículos se realiza de forma eficiente dentro de la ROI estimada. Evaluamos nuestro marco utilizando conjuntos de datos de referencia como UA-DETRAC, GRAM, CDnet 2014 y ATON. Los resultados demuestran una precisión excepcional, alcanzando la mayoría de los vídeos una alta exactitud, al mismo tiempo que se mejora la eficiencia computacional, permitiendo un procesamiento hasta cuatro veces más rápido en comparación con el análisis del fotograma completo. El marco propuesto supera a las técnicas existentes, especialmente en escenarios complejos con múltiples carreteras, demostrando robustez y una precisión superior. Estos avances lo convierten en una solución prometedora para la monitorización del tráfico en tiempo real.
Accurate vehicle counting through video surveillance is crucial for efficient traffic management. However, achieving high counting accuracy while ensuring computational efficiency remains a challenge. To address this, we propose a fully automated, video-based vehicle counting framework designed to optimize both computational efficiency and counting accuracy. Our framework operates in two distinct phases: estimation and prediction. In the estimation phase, the optimal region of interest (ROI) is automatically determined using a novel combination of three models based on detection scores, tracking scores, and vehicle density. This adaptive approach ensures compatibility with any detection and tracking method, enhancing the framework’s versatility. In the prediction phase, vehicle counting is efficiently performed within the estimated ROI. We evaluated our framework on benchmark datasets like UA-DETRAC, GRAM, CDnet 2014, and ATON. Results demonstrate exceptional accuracy, with most videos achieving accuracy, while also enhancing computational efficiency–making processing up to four times faster than full-frame processing. The framework outperforms existing techniques, especially in complex multi-road scenarios, demonstrating robustness and superior accuracy. These advancements make it a promising solution for real-time traffic monitoring.
Nuevo articulo publicado por nuestro investigador Dr. Mahmoud Fakhry