跌倒警报设备¶

该应用是一个基于 Quectel Pi M2 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。

../../../_images/image_NXqAbp3fooQNSnxU9CzcUOBrn8d.webp

开发资源汇总¶

开发配件清单¶

配件名称	数量	规格参数
Quectel Pi M2智能主控板	1	Quectel Pi M2智能主控板
USB摄像头模块	1	绿联高清USB摄像头带麦克风(2K 400万高清自动对焦）
USB-C电源适配器	1	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
CPU散热风扇(可选)	1	树莓派5代官方原装散热器带导热贴
HDMI A 型对公线	1	HDMI 2.0；线长1 m；接口：HDMI-A（公头）-HDMI-A（公头）
网线	1	线长：1 m；传输速率：千兆
显示屏	1	24英寸HDMI显示器

配件实物参考¶

../../../_images/image_MjE2bCqxZoJw7kxXht9cI1xrnub.webp

快速上手¶

开发准备¶

Quectel Pi M2智能主控板 出厂预装 Debian 13 系统镜像，因此无需重新烧录系统镜像，按照以下步骤操作即可。

硬件连接¶

按照以下步骤完成所有硬件连接（步骤编号与接口示意图中的标注一致）：

../../../_images/image_Sc8DboGPco6dWQx7yFKcLjDrnbc.webp

显示连接：将HDMI线的一端连接到智能主控板的HDMI接口，另一端连接到显示器的HDMI接口。
网络连接：确保路由器已连接互联网，然后将网线的一端连接到智能主控板的千兆以太网端口，另一端连接到路由器的以太网端口。
输入设备连接：将USB键盘、鼠标和USB摄像头等输入设备连接到智能主控板的USB接口。如果使用无线输入设备，将无线接收器连接到扩展坞的USB接口即可。
供电连接：将USB-A电源线的USB-A端连接到电源适配器的输出端，将USB-C端连接到智能主控板的电源输入接口（通常标注为 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：

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：

../../../_images/image_BWuBbKf6KoBt3zx9c5zcKjEnnMd.webp

功能界面说明¶

[电子表格]

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）：

[电子表格]

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：

鼻子       1: 左眼       2: 右眼       3: 左耳       4: 右耳
左肩       6: 右肩       7: 左肘       8: 右肘       9: 左手腕
右手腕    11: 左髋       12: 右髋      13: 左膝      14: 右膝
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：（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¶

[嵌入内容]

常见问题及解决方案¶

代码问题修改¶

设备缺少 pip¶

Debian 13 默认不预装 pip 与 venv，需要手动安装并配置虚拟环境

adb shell "apt-get install -y python3-pip python3-venv"

`int('-camera0')` 导致摄像头枚举崩溃¶

现象：

ValueError: invalid literal for int() with base 10: '-camera0'

这是因为RK3576平台的设备上存在一个符号链接，需要修改代码

def _video_index(path):
    """从 /dev/videoN 提取整数索引，非法名称返回 None"""
    suffix = os.path.basename(path).replace("video", "")
    return int(suffix) if suffix.isdigit() else None# 跳过符号链接（如 /dev/video-camera0 -> video51），只取真实节点
devices = [d for d in glob.glob("/dev/video*") if not os.path.islink(d)]
devices = [(i, d) for i, d in ((_video_index(d), d) for d in devices) if i is not None]
devices.sort(key=lambda x: x[0])

pip 拉取 4GB+ CUDA 版 PyTorch¶

⚠️ 最容易踩且代价最大的坑。

现象

执行 pip install -r requirements.txt 时，pip 开始拉取一长串 NVIDIA 相关包：

cuda-toolkit==13.0.3
nvidia-cudnn-cu13==9.24.0.43
nvidia-nccl-cu13==2.30.7
nvidia-nvshmem-cu13==3.4.5
nvidia-cublas / cufft / cusolver / cusparse / curand / cufile / cupti
triton~=3.8.0
...

原因

ultralytics 依赖 torch>=1.8.0。PyPI 上的 torch 默认 wheel 是 CUDA 版，其依赖（通过 cuda-toolkit[...] 元包）在 platform_system == "Linux" 时被无条件拉入。

影响：设备 没有 NVIDIA GPU，这些包：

合计体积 超过 4GB
在 aarch64 上体积巨大，下载 + 解压耗时极长
完全无用（torch.cuda.is_available() 仍为 False）

解决

显式指定 PyTorch CPU 索引，先装 torch 再装其余依赖：

# 第 1 步：装 CPU 版（约 159MB，而非 4GB+）
.venv/bin/python -m pip install torch torchvision \
    --index-url https://download.pytorch.org/whl/cpu

# 第 2 步：再装其余依赖（torch 已满足，不会再触发 CUDA）
.venv/bin/python -m pip install -r requirements.txt

验证索引中确有 aarch64 版本

curl -s https://download.pytorch.org/whl/cpu/torch/ \
  | grep -oE 'torch-[0-9.]+%2Bcpu-cp313-cp313-manylinux[0-9_]+_aarch64\.whl' | sort -u | tail -5

实测可用：

torch-2.9.1+cpu-cp313-cp313-manylinux_2_28_aarch64.whl
torch-2.14.0+cpu-cp313-cp313-manylinux_2_28_aarch64.whl   ← 实际安装
torchvision-0.29.0+cpu-cp313-cp313-manylinux_2_28_aarch64.whl

最终结果

torch       : 2.14.0+cpu | CUDA: False
torchvision : 0.29.0+cpu

安装日志中 **无任何nvidia-***包，仅 nvidia-ml-py（ultralytics 的轻量纯 Python 依赖，约 100KB，不影响）。

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 服务器地址
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

跌倒警报设备¶

开发资源汇总¶

开发配件清单¶

配件实物参考¶

快速上手¶

开发准备¶

硬件连接¶

项目实现¶

安装前置¶

获取代码¶

安装 Python 依赖¶

准备模型文件¶

运行应用¶

功能界面说明¶

日志显示区域¶

实时检测参数¶

跌倒检测原理¶

关键点检测¶

特征提取¶

跌倒判断逻辑¶

警报和查看¶

应用演示¶

常见问题及解决方案¶

代码问题修改¶

设备缺少 pip¶

int('-camera0') 导致摄像头枚举崩溃¶

pip 拉取 4GB+ CUDA 版 PyTorch¶

模型加载相关问题¶

模型文件找不到¶

摄像头相关问题¶

摄像头无法识别¶

摄像头画面卡顿或延迟大¶

跌倒检测相关问题¶

误报率高（误检测正常动作为跌倒）¶

漏检率高（没有检测到实际跌倒）¶

警报和上传相关问题¶

警报灯无法启动¶

图片上传失败¶

性能优化问题¶

CPU占用率过高¶

内存泄漏导致占用率持续上升¶

`int('-camera0')` 导致摄像头枚举崩溃¶