# 跌倒警报设备

***Copyright © Quectel Wireless Solutions Co., Ltd. 2026. All rights reserved.***

---

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。

```{image} images/image_BWS2blqDbo4poZxm8JYcMQZJnbc.webp
:width: 1280px
:height: 800px
```

# 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）  <br>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

```{image} images/image_U3rObBYBloblMVxMQ2QcyRbPnGc.webp
:width: 854px
:height: 482px
```

# 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。

```{image} images/image_ZGSOb7segosD3PxkE21cIk6Dnde.webp
:width: 800px
:height: 480px
```

### 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。

```{image} images/image_MbaKb1VDjoBDO9xoRf9cGb9CnZb.webp
:width: 800px
:height: 468px
```

### 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）。

```{image} images/image_Rp3Bbdrl4oHLRcxKjtLcYL5Gngb.webp
:width: 800px
:height: 501px
```

### 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**）。

```{image} images/image_LpTxbTxFso8n5Hxu7S2cC0H5ngc.webp
:width: 800px
:height: 549px
```

## 项目实现

### 安装前置

确认有网络连接后，打开终端输入命令：

```plaintext
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](<https://github.com/Quectel-Pi/demo-fall-alarm-device>)

代码解压到设备

### 安装Python依赖

```plaintext
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** 已放置在model目录下

### 运行应用

完成模型准备后，运行主程序：

```plaintext
cd src
python3 main.py
```

程序启动后将显示图形界面，提供以下功能：

```{image} images/image_Dk60baOkwoEOP2xcnWFca60en1c.webp
:width: 1648px
:height: 957px
```

#### 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：

```plaintext
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：

```python
# 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 += 1if 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

<div class="video-preview">
  <video width="100%" controls preload="none">
    <source src="videos/video_Rkb1bXHM6otGNjxaN5ScBBHmnmb.mp4" type="video/mp4">
    Your browser does not support the video tag.
  </video>
  <div class="video-caption">
    <strong>fall_alarm_demo</strong>
  </div>
</div>


# 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：**

```plaintext
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：**

```plaintext
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：

```bash
# Linuxls -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：**

```plaintext
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：

```python
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：

```python
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：**

```plaintext
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

```python
FALL_MIN_CONFIDENCE = 0.80  # 从0.75增加到0.80
```

1. **增加确认帧数**：只有连续多帧检测到才判断为跌倒

```python
FALL_CONFIRM_FRAMES = 5  # 从3增加到5
```

1. **优化角度和比例阈值**：

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

1. **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：**

```plaintext
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**：

```python
FALL_MIN_CONFIDENCE = 0.65  # 从0.75降低到0.65
```

1. **降低确认帧数**：

```python
FALL_CONFIRM_FRAMES = 2  # 从3降低到2
```

1. **检查关键点检测质量**：

```python
# 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
```

1. **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

2. **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：**

```plaintext
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：

```python
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：

```bash
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：**

```plaintext
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：

```python
SERVER_IP = "your.server.ip"
```

## 性能优化问题

### CPU占用率过高

**现象：**

```plaintext
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：**

```plaintext
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：

```python
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*

---

# 技术支持与贡献

如在使用过程中遇到问题，欢迎在 [移远官方论坛](<https://forumschinese.quectel.com/c/quectel-pi/58>) 提交技术咨询，我们的技术支持团队将及时为您解答。

项目开源地址：[https://github.com/Quectel-Pi/demo-fall-alarm-device](<https://github.com/Quectel-Pi/demo-fall-alarm-device>)

欢迎提交Issue反馈问题或Pull Request贡献代码改进！