韩xx

从 12 段真实交通视频中按帧抽取，覆盖白天/夜间、拥堵/畅通、平视/俯仰多种场景；使用 Roboflow 完成 321 张图像精细标注（car / bus / truck）

采用 YOLOv8l 在自建数据集上训练 100 轮，最终指标：mAP@50 = 0.930 | mAP@50-95 = 0.779 | Precision = 0.866 | Recall = 0.890

融合 DeepSORT 多目标跟踪算法，实现跨帧车辆 ID 稳定维持与连续轨迹提取

利用逆透视变换（IPM）将像素坐标映射至道路平面世界坐标（米制），逐帧计算实时速度（km/h）、加速度（m/s²）、跟车距离（m）、碰撞时间 TTC（s）

建立 5 档风险分级模型：🔴 急刹车（a < -4.5 m/s²）/ 🔴 TTC 预警（TTC ∈ 0~3s）/ 🟠 严重超速 / 🟡 跟车过近 / 🟢 安全状态

在 3 段不同交通场景完整验证，逐帧输出 CSV 结构化数据，并生成含检测框与风险标注的全程追踪演示视频

参与无人机航拍视频的地面协调与数据采集，针对高空视角下的轿车、货车、公共汽车等多类交通参与者进行精细图像标注，协助课题组构建专用高速公路交通感知数据集

基于 YOLOv8 + DeepSORT 完成检测与跟踪算法的部署、参数调优与推理验证，实现高空视角下多车型实时识别与跨帧 ID 稳定跟踪

从视频推理结果中提取各车道流量、平均车速、拥堵队长等关键交通流指标，结构化输出为 Excel 报表，供课题组进行路网状态分析与决策支持

在 Ubuntu GPU 服务器上搭建 PyTorch 环境，部署 YOLOv8 + DeepSORT 融合系统，从交叉口高空视频中自动提取行人轨迹；自主设计以「手机检测框与人体检测框 IoU > 65%」作为手机分心行为的量化判定规则

使用 Python（Pandas / NumPy）对 2,462 名行人的逐帧轨迹坐标与速度数据进行清洗和统计，利用 Matplotlib 绘制速度分布曲线、延误分布直方图

证实分心使过街均速由 1.54 m/s 降至 1.00 m/s（降幅约 35%），59% 行人启动延误超 3s；将清洗后数据导入 SPSS 进行多变量相关性分析，成果发表于某核心学报