跌倒警报设备

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，用户通过手机 App 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。

开发配件清单

配件实物参考

Quectel套件

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（可根据购买的警报灯的文档操作）。

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：

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

获取代码

下载代码

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

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）：

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. App 端查看：可通过手机 App 实时接收跌倒通知，并查看报警图片