跌倒警报设备

2026-03-31

该应用是一个基于 Quectel Pi H1 智能主控板，通过USB摄像头进行实时人体姿态识别，采用YOLOv8-Pose和多人跌倒分类器，自动检测用户是否发生跌倒事件的智能应用。

该项目通过调用摄像头实时采集画面，当检测到跌倒事件时会启动本地报警器并发送通知到手机，用户在手机端通过apk查看跌倒图片，可作为老年人/患者安全监护、跌倒预警系统的参考示例。

开发资源汇总

开发配件清单

配件名称 数量 规格参数
Quectel Pi H1 智能主控板 1块 Quectel Pi H1智能生态开发板
USB摄像头 1个 推荐分辨率：1280×720或更高；输出格式：MJPG/YUYV
USB-C 电源线充电器 1个 27W USB Type-C接口充电器 1.2米线长中规电源PD电源 适用于树莓派5代
USB-C DP 显示线 /HDMI 线 1根 规格：DP 1.4；线长：1m；接口：USB-C（公头）- USB-C（公头）
规格：HDMI 2.0；线长：1m；接口：HDMI-A（公头）-HDMI-D（公头）
CPU 散热风扇（可选） 1个 树莓派5代官方原装散热器带导热贴
显示屏 1个 24英寸HDMI显示器
USB可编程警报灯（可选） 1个 通过串口（/dev/ttyUSB0）控制的LED警报灯

配件实物参考

Quectel套件

快速上手

开发准备

Quectel Pi H1智能主控板出厂默认搭载 Debian 13 系统镜像，因此无需再次烧录镜像，仅需按照如下步骤操作即可。

硬件连接

显示连接

将 HDMI 线一端接入智能主控板的 HDMI 接口，另一端接入显示器的 HDMI 接口。

输入设备连接

将 USB 键盘、鼠标接入智能主控板的两个 USB-A 接口上，若用无线输入设备，将接收器插入 USB 口即可。

网线连接

将网线一端接入智能主控板的千兆网口，另一端接入路由器的网口（确保路由器已联网）。

USB警报灯连接（可选）

使用USB 线将警报灯与智能主控板的空闲USB接口连接（可根据购买的警报器的文档操作）

电源连接

将 USB-A 电源线的 USB-A 端接入电源适配器，USB-C 端接入智能主控板的电源口（通常标注POWER IN）。

项目实现

安装前置

确认有网络连接后，打开终端输入命令：

sudo apt update && sudo apt install -y python3-pip libatlas-base-dev libjasper-dev

上述命令将更新软件源并安装项目运行所需的一些库，具体包括：

  • libatlas-base-dev 和 libjasper-dev：支持科学计算库的依赖；
  • python3-pip：Python 包管理器，用于安装项目依赖。

获取代码

下载代码

代码解压到设备

安装 Python 依赖

pip install -r requirements.txt

依赖包说明：

  • PySide6：Qt6 的 Python 绑定，用于构建图形用户界面；
  • opencv-python：OpenCV 图像处理库，用于摄像头采集和图像处理；
  • ultralytics：YOLOv8 目标检测框架，用于人体关键点检测；
  • numpy：数值计算库，用于矩阵运算和特征提取；
  • scikit-learn：机器学习库，用于提供随机森林分类器；
  • joblib：序列化库，用于加载预训练模型。

准备模型文件

跌倒检测应用需要预加载以下模型文件，请放置在 model/ 目录下：

  1. yolov8n-pose.pt - YOLOv8-Nano Pose 模型，用于检测人体17个关键点
  2. fall_multi_person_model.pkl - 随机森林分类器，用于判断是否跌倒
  3. feature_scaler_multi.pkl - 特征缩放器，用于标准化输入特征

这些模型文件可以从以下方式获取：

  • yolov8n-pose.pt：从 Ultralytics 官方 GitHub 下载或通过代码自动下载
  • fall_multi_person_model.pkl 和 feature_scaler_multi.pkl 已放置model目录下

运行应用

完成模型准备后，运行主程序：

cd src
python3 main.py

程序启动后将显示图形界面，提供以下功能：

功能界面说明
界面区域 功能说明
摄像头预览区域 实时显示摄像头采集的画面，标注检测到的人体和跌倒状态
日志输出区域 显示应用运行过程中的实时日志和检测信息
跌倒警报提示 在顶部显示跌倒检测结果，自动触发警报灯并保存报警图片
相机选择 支持多个USB摄像头，可自动检测并选择可用摄像头
日志显示区域

右侧区域可输出应用运行过程中的日志信息，包括：

  • 模型加载日志：显示是否成功加载YOLOv8模型和分类器
  • 检测日志：显示检测到的人体数量和跌倒状态
  • 警报日志：显示跌倒警报和图片上传状态
实时检测参数

程序使用以下参数进行跌倒检测（可根据实际需求调整）：

参数 说明 默认值
MIN_CONFIDENCE 关键点置信度阈值 0.4
MIN_KEYPOINTS 有效关键点最少数量 10
FALL_BODY_ANGLE_THRESHOLD 身体倾角阈值 55°
FALL_HEIGHT_RATIO_THRESHOLD 身体高宽比阈值 1.2
FALL_MIN_CONFIDENCE 分类器置信度阈值 0.75
FALL_CONFIRM_FRAMES 跌倒确认帧数 3
DETECT_INTERVAL 检测间隔（秒） 0.15

跌倒检测原理

关键点检测

应用使用YOLOv8-Pose模型检测人体17个关键点：

0: 鼻子       1: 左眼       2: 右眼       3: 左耳       4: 右耳
5: 左肩       6: 右肩       7: 左肘       8: 右肘       9: 左手腕
10: 右手腕    11: 左髋       12: 右髋      13: 左膝      14: 右膝
15: 左脚踝    16: 右脚踝
特征提取

从关键点提取以下特征用于分类：

  1. 关键点坐标：17个关键点的(x, y)坐标和置信度，共51维
  2. 身体角度：计算8个关键点之间的角度特征，共8维
  3. 相对坐标：相对于髋部中心点的相对坐标，共26维
  4. 身体形态：身体高度、宽度及高宽比，共3维
跌倒判断逻辑

应用使用多种方法判断是否发生跌倒：

# 特征提取和分类
features = detector.extract_features(keypoints, confidences)
if scaler is available:
    features_scaled = scaler.transform(features)
else:
    features_scaled = features

# 获取分类器预测
probabilities = classifier.predict_proba(features_scaled)
is_falling = probabilities[0, 1] > FALL_MIN_CONFIDENCE  # 类别1表示跌倒

# 确认帧计数（减少误报）
if is_falling:
    fall_count += 1
    if fall_count >= FALL_CONFIRM_FRAMES:
        trigger_alarm()

判断标准：

  • 随机森林分类器概率 > 0.75 且连续3帧检测到跌倒
  • 或者同时满足身体角度 > 55° 且身体高宽比 > 1.2

警报和查看

当检测到跌倒时，应用会：

  1. 启动警报灯：通过串口向警报灯设备发送闪光和报警命令
  2. 保存报警图片：在 picture/ 目录保存包含时间戳的JPEG图片
  3. 上传服务器：将报警图片上传到指定服务器地址
    • 上传地址：http://SERVER_IP:8000/upload_fall （可自行替换服务器地址和上传接口）
    • 支持后台异步上传，不阻断主程序运行
  4. APK端查看：可通过apk端实时接收跌倒通知，并查看报警图片

应用演示

常见问题及解决方案

模型加载相关问题

模型文件找不到

现象：

ERROR - Pose model not found: /path/to/model/yolov8n-pose.pt
ERROR - Classifier model not found: /path/to/model/fall_multi_person_model.pkl

解决方案：

  • 确保 yolov8n-pose.pt、fall_multi_person_model.pkl、feature_scaler_multi.pkl 都放在 model/ 目录下
  • 检查文件路径是否正确，使用绝对路径测试
  • 第一次运行可以让程序自动下载YOLOv8模型（需要网络连接）

摄像头相关问题

摄像头无法识别

现象：

Warning: No available cameras detected

解决方案：

  • 检查摄像头是否正确连接到USB接口

  • 使用命令检查摄像头是否被识别：

    # Linux
ls -la /dev/video*

# 使用v4l2-ctl列出摄像头
v4l2-ctl --list-devices

  • 尝试使用其他USB接口

  • 如果还是不行，使用USB集线器并连接电源

  • 检查是否需要安装摄像头驱动程序

摄像头画面卡顿或延迟大

现象：

检测到画面延迟超过1秒，或摄像头预览画面不流畅

原因分析：

  • 摄像头分辨率过高导致处理延迟
  • CPU占用率过高
  • 网络上传导致主线程阻塞

解决方案：

  • 降低摄像头分辨率（改为1280×720而非更高）
  • 调整 DETECT_INTERVAL 参数增加检测间隔： 
    DETECT_INTERVAL = 0.25  # 从0.15增加到0.25秒
  • 降低 YOLO_IMG_SIZE 以加快推理速度： 
    YOLO_IMG_SIZE = 320  # 可降低到256
  • 禁用服务器上传功能进行本地测试

跌倒检测相关问题

误报率高（误检测正常动作为跌倒）

现象：

用户正在弯腰、坐下或躺着休息时被误检为跌倒

解决方案：

  1. 调整分类器置信度阈值：提高阈值可减少误报

    FALL_MIN_CONFIDENCE = 0.80  # 从0.75增加到0.80

  2. 增加确认帧数：只有连续多帧检测到才判断为跌倒

    FALL_CONFIRM_FRAMES = 5  # 从3增加到5

  3. 优化角度和比例阈值：

    FALL_BODY_ANGLE_THRESHOLD = 65  # 增加角度阈值
FALL_HEIGHT_RATIO_THRESHOLD = 1.4  # 增加高宽比阈值

  4. 重新训练分类器：使用更多多样化的训练数据

    • 增加坐下、弯腰等动作的负样本
    • 确保跌倒样本的多样性（不同角度、速度、人物）
    • 增加训练数据集大小

漏检率高（没有检测到实际跌倒）

现象：

实际发生跌倒时没有进行警报

解决方案：

  1. 降低分类器置信度阈值：

    FALL_MIN_CONFIDENCE = 0.65  # 从0.75降低到0.65

  2. 降低确认帧数：

    FALL_CONFIRM_FRAMES = 2  # 从3降低到2

  3. 检查关键点检测质量：

    # 增加关键点需求或降低置信度阈值
MIN_CONFIDENCE = 0.3  # 从0.4降低
MIN_KEYPOINTS = 8     # 从10降低

  4. 优化视角：确保摄像头能够看到整个身体

    • 摄像头应该距离用户1-3米
    • 摄像头安装高度应该在1.5-2米
    • 避免侧面或接近垂直的视角

  5. 改善光照条件：

    • 保证光线充足，避免阴影和逆光
    • 使用均匀的环境光而非局部强光

警报和上传相关问题

警报灯无法启动

现象：

检测到跌倒但警报灯没有亮起

解决方案：

  • 检查串口连接是否正确
  • 验证警报灯设备是否正常工作
  • 检查 light_control.py 中的串口配置： 
    port = '/dev/ttyUSB0'        # 根据实际设备修改
baudrate = 9600              # 根据设备规格修改
  • 检查串口权限： 
    sudo chmod 666 /dev/ttyUSB0
  • 根据购买报警灯的文档进行调试，确保发送的命令格式正确

图片上传失败

现象：

ERROR - Upload failed: fall_20240326_143022.jpg

原因分析：

  • 网络连接不稳定
  • 服务器地址错误或服务器不可用
  • 请求超时

解决方案：

  • 检查网络连接：ping SERVER_IP
  • 验证服务器是否运行：curl http://SERVER_IP:8000/upload_fall
  • 检查防火墙设置是否允许出站连接
  • 修改服务器地址： 
    SERVER_IP = "your.server.ip"

性能优化问题

CPU占用率过高

现象：

应用运行时CPU占用率 > 80%，系统响应缓慢

解决方案：

  • 降低检测频率（增加 DETECT_INTERVAL）
  • 减小视频分辨率（改为640×480或更低）
  • 禁用实时日志显示或降低日志更新频率
  • 使用 GPU 加速（如果硬件支持）

内存泄漏导致占用率持续上升

现象：

应用运行数小时后内存占用从200MB增长到1GB

解决方案：

  • 检查是否在循环中创建了未释放的对象
  • 定期清空日志缓冲区： 
    if len(LogManager._logs) > 100:
    LogManager.clear_logs()
  • 确保线程正确关闭
  • 使用内存分析工具检测泄漏：python3 -m memory_profiler