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。
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） |
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¶
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：
yolov8n-pose.pt - YOLOv8-Nano Pose模型，用于检测人体17个关键点
fall_multi_person_model.pkl -随机森林分类器，用于判断是否跌倒
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：
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：
关键点坐标：17个关键点的(x, y)坐标和置信度，共51维
身体角度：计算8个关键点之间的角度特征，共8维
相对坐标：相对于髋部中心点的相对坐标，共26维
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 += 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：
启动警报灯：通过串口向警报灯设备发送闪光和报警命令
保存报警图片：在 picture/ 目录保存包含时间戳的JPEG图片
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
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：
# 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：
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：
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
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
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
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：
降低分类器置信度阈值：
FALL_MIN_CONFIDENCE = 0.65 # 从0.75降低到0.65
降低确认帧数：
FALL_CONFIRM_FRAMES = 2 # 从3降低到2
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
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
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
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 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
欢迎提交Issue反馈问题或Pull Request贡献代码改进！