# 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 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。
```{image} images/image_NXqAbp3fooQNSnxU9CzcUOBrn8d.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 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
```{image} images/image_MjE2bCqxZoJw7kxXht9cI1xrnub.webp
:width: 1160px
:height: 688px
:align: center
```
# 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）：
```{image} images/image_Sc8DboGPco6dWQx7yFKcLjDrnbc.webp
:width: 627px
:height: 463px
:align: center
```
1. **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。
2. **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。
3. **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。
4. **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：
```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]()
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_BWuBbKf6KoBt3zx9c5zcKjEnnMd.webp
:width: 1648px
:height: 957px
```
#### 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：
```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： （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
[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
```plaintext
adb shell "apt-get install -y python3-pip python3-venv"
```
### `int('-camera0')` 导致摄像头枚举崩溃
**现象：**
```plaintext
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
```python
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：
```plaintext
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**：
```bash
# 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**
```bash
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：
```plaintext
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**
```plaintext
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：**
```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：**
**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
```
**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
```
**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
```
**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：**
**降低分类器置信度阈值**：
```python
FALL_MIN_CONFIDENCE = 0.65 # 从0.75降低到0.65
```
**降低确认帧数**：
```python
FALL_CONFIRM_FRAMES = 2 # 从3降低到2
```
**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
```
**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：**
```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` 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：
```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`