Abdelwahab, Mohamed A.Al-Ariny, ZaynabFakhry, MahmoudHasaneen, El Sayed2026-01-052026-01-052025-11Abdelwahab, M A, Al-Ariny, Z, Fakhry, M & Hasaneen, E S 2025, 'Intelligent ROI-Based Vehicle Counting Framework for Automated Traffic Monitoring', Signal, Image and Video Processing, vol. 19, no. 11, 903. https://doi.org/10.1007/s11760-025-04483-z1863-1703unpaywall: 10.1007/s11760-025-04483-zhttps://hdl.handle.net/10641/6971Publisher Copyright: © The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2025.El conteo preciso de vehículos mediante videovigilancia es crucial para una gestión eficiente del tráfico. Sin embargo, lograr una alta precisión de conteo garantizando al mismo tiempo la eficiencia computacional sigue siendo un reto. Para abordar esto, proponemos un marco de conteo de vehículos totalmente automatizado y basado en vídeo, diseñado para optimizar tanto la eficiencia computacional como la precisión del conteo. Nuestro marco funciona en dos fases distintas: estimación y predicción. En la fase de estimación, la región de interés (ROI) óptima se determina automáticamente mediante una novedosa combinación de tres modelos basados en puntuaciones de detección, puntuaciones de seguimiento y densidad de vehículos. Este enfoque adaptativo garantiza la compatibilidad con cualquier método de detección y seguimiento, potenciando la versatilidad del marco. En la fase de predicción, el conteo de vehículos se realiza de manera eficiente dentro de la ROI estimada. Evaluamos nuestro marco en 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 precisión del 100 %, a la vez que mejoran la eficiencia computacional, logrando un procesamiento hasta cuatro veces más rápido que el procesamiento de fotograma completo. El marco supera a las técnicas existentes, especialmente en escenarios complejos de múltiples carreteras, demostrando robustez y una precisión superior. Estos avances lo convierten en una solución prometedora para la monitorización del tráfico en tiempo real. [Traducción automática al español; idioma original: inglés.]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 100% 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.92986792enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Deep SORTROI Automatic SelectionTraffic Management SystemVehicle CountingYOLOv8Signal ProcessingElectrical and Electronic Engineeringyesjournal articleinfo:eu-repo/semantics/closedAccess10.1007/s11760-025-04483-zhttps://www.scopus.com/pages/publications/105011275598https://www.scopus.com/pages/publications/105011275598#tab=citedBy