企业官网建设流程全解析

跌倒是老年人因伤死亡首因：我用普通摄像头+OpenCV官方模型做了套报警系统（附完整代码）

跌倒已经是我国 65 岁以上老人因伤死亡的首位原因，很多悲剧源于"摔倒了没人知道"。本文用 OpenCV 官方模型库里的 pose_estimation_mediapipe（33 个姿态关键点 + 人体分割掩码）搭一套完整的跌倒检测报警流水线：纯 CPU、全开源、免费。附完整可运行代码、六项真实研究横评、六个工程避坑细节。

一、一跤摔下去，可能就回不来了

先说一组数据，都来自中国疾病监测系统和世界卫生组织，不是编来吓唬人的：

• 跌倒，是我国 65 岁以上老年人因伤害死亡的首位原因，也是老年人因伤就诊、创伤性骨折的首位原因
• 65 岁以上老年人跌倒死亡率约63.83/10 万，占该年龄段全部伤害死因的近 40%
• 全球每年约68.4 万人因跌倒死亡，其中一半以上是 60 岁以上老人
• 65 岁以上老年人每年跌倒发生率28%~35%，70 岁以上高达32%~42%

更麻烦的是，很多跌倒发生在独居老人身上。摔倒了没人知道，在地上躺几个小时甚至一整夜——医学上叫"长躺"（long lie），会直接导致压疮、脱水、低温症，把一次本来能救的意外拖成悲剧。

所以问题不是"要不要监测"，而是"用什么监测"。

现有方案各有硬伤：可穿戴设备（手环、IMU 传感器）精度高，但老人经常忘记戴、还要充电；毫米波雷达隐私性好，但一套下来几千元；请人看护，成本更高。

那有没有一种方案：一个普通摄像头 + 免费开源模型 + 一台旧电脑就能跑？

有。下面把它完整搭一遍。

二、为什么选这个模型

主角是 OpenCV 官方模型库（OpenCV Zoo）里的pose_estimation_mediapipe，基于谷歌的 BlazePose 架构，干的事情一句话就能说清：

对画面中检测到的每一个人，估计 33 个姿态关键点，外加一张人体分割掩码。

33 个关键点覆盖全身：鼻子、眼睛、耳朵、双肩、双肘、双腕、双髋、双膝、双踝，连手指和脚趾关节都有。它比目标检测常用的 COCO 17 点方案多出一倍还多，而且带深度信息（z 坐标）和每个点的可见度评分。

那张分割掩码也别小看——它把"人"和"背景"分开，既能抠出人体区域做精细分析，也能反过来把背景打码，只保留骨架信息，这对家庭场景的隐私保护非常有用。

选它还有三个现实理由：

顺带说明一下上手路径：快速验证用pip install mediapipe最省事（同一套 BlazePose 模型）；要落地部署、不想拖一堆依赖，就用 OpenCV Zoo 的 ONNX 模型 + OpenCV DNN，配合官方的人体检测模型（person_detection_mediapipe）先框出人再估计姿态。两条路，核心算法是同一个。

三、33 个关键点，怎么判断"摔倒了"

很多人以为跌倒检测要训练一个大模型。其实规则法就能干，而且可解释、可调参。核心逻辑是：人摔倒时，骨架的几何特征会发生剧烈且持续的变化。

实际项目里常用这四个指标：

1. 躯干角度。用肩膀和髋部的连线，计算躯干相对垂直方向的夹角。站着、坐着时躯干基本竖直；摔倒后躯干接近水平，夹角会超过 60°。2025 年一篇发表在 arXiv 的论文（2503.19501）就把"躯干与腿部夹角在 60°~120° 之间"作为核心判据之一。

2. 质心下降速度。跟踪髋部中心点的纵向位置。正常坐下，质心缓慢下移；跌倒时质心在几帧之内快速坠落。对帧间位移做阈值判断，能很好地区分"坐下"和"摔倒"。

3. 身高比。用肩到踝的距离除以这个人站立时的基准高度。站着约等于 1，跌倒后身体蜷缩或平躺，比值会掉到 0.5 以下。

4. 头部离地高度。跌倒后鼻子（关键点 0）的纵坐标会显著接近画面底部，这个指标对"平躺在地"特别敏感。

单看任何一个指标都会误报——弯腰捡东西、躺床上、蹲下系鞋带，都可能中招。所以正确做法是加权打分 + 持续帧数确认：多个指标同时越线，并且这个状态持续 N 帧（比如 15~20 帧，约半秒到一秒），才触发报警。

这个"多指标 + 时间窗"的思路，正是目前主流研究的共识。

四、动手：从摄像头到报警，一条完整流水线

4.1 MediaPipe 快速验证版

下面这套代码可以直接跑。环境：Python 3.9+，pip install mediapipe opencv-python。

importmathimporttimeimportcv2importmediapipeasmp mp_pose=mp.solutions.pose pose=mp_pose.Pose(model_complexity=1)# 1=Full 档，精度与速度的平衡点# ---------- 工具函数 ----------defget(lm,idx,h,w):"""取关键点像素坐标"""returnlm[idx].x*w,lm[idx].y*hdeftrunk_angle(nose,hip):"""躯干与垂直方向的夹角（度）"""dx,dy=nose[0]-hip[0],nose[1]-hip[1]returnabs(math.degrees(math.atan2(dx,-dy)))# ---------- 主循环 ----------cap=cv2.VideoCapture(0)# USB 摄像头；RTSP 流填 url 即可fall_frames=0# 连续越线帧数TRIGGER=15# 连续 15 帧（约 0.5s）才报警，防误报prev_hip_y,prev_t=None,NonewhileTrue:ok,frame=cap.read()ifnotok:breakh,w=frame.shape[:2]res=pose.process(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB))ifnotres.pose_landmarks:fall_frames=0# 画面里没人，计数清零continuelm=res.pose_landmarks.landmark# 只取判断必需的点：鼻子0、双肩11/12、双髋23/24nose=get(lm,0,h,w)hip=((lm[23].x+lm[24].x)/2*w,(lm[23].y+lm[24].y)/2*h)score=0# 指标1：躯干接近水平iftrunk_angle(nose,hip)>60:score+=1# 指标2：质心快速下降（像素/秒，按画面高度归一）now=time.time()ifprev_hip_yisnotNoneandnow-prev_t>0:v=(hip[1]-prev_hip_y)/(now-prev_t)/hifv>0.5:# 每秒下降超过半个画面高score+=1prev_hip_y,prev_t=hip,now# 指标3：头部接近地面ifnose[1]>h*0.75:score+=1# 两个及以上指标同时越线，累计帧数fall_frames=fall_frames+1ifscore>=2else0iffall_frames==TRIGGER:print("!!! 检测到跌倒，触发报警 !!!")# send_alarm() # 接入你的报警通道，见第六节cv2.imshow("fall detect",frame)ifcv2.waitKey(1)==27:break

不到 70 行，核心逻辑三条：多指标打分、连续帧确认、无人即清零。阈值（TRIGGER、0.5、0.75、60°）都是起点值，装到真实环境后拿家人日常动作（坐下、躺下、弯腰）各录几段视频回归一遍，把误报压到可接受范围再上线。

4.2 OpenCV Zoo 生产部署版

要落地部署、不想拖 MediaPipe 的依赖，走 OpenCV Zoo 的两段式：先用 person_detection_mediapipe 框出人，再逐人喂给姿态模型。骨架代码如下：

importcv2# 加载 OpenCV Zoo 两个模型（ONNX 文件从 opencv_zoo 仓库下载，低算力设备可换 int8bq 量化版）det=cv2.dnn.readNetFromONNX('person_detection_mediapipe_2023apr.onnx')pose=cv2.dnn.readNetFromONNX('pose_estimation_mediapipe_2023mar.onnx')# 检测画面中每一个人得到边界框 boxes；前处理代码省略，官方 demo 有完整实现for(x,y,bw,bh)inboxes:roi=frame[y:y+bh,x:x+bw]# 裁出单人区域pose.setInput(cv2.dnn.blobFromImage(roi))outs=pose.forward(pose.getUnconnectedOutLayersNames())# 输出：33 个关键点（含 z 深度与可见度）+ 分割掩码，后代入第四节四指标判断逻辑

官方仓库自带 Python 和 C++ 的完整 demo，照抄即可。分割掩码在这条路上同样可用——隐私敏感的场景，只存骨架、不存画面。

五、规则法还是训练模型？六项真实研究摆在一起看

光说规则法好不算数，把近两年的真实研究拉出来对比一下：

几个值得咂摸的结论：

第一，规则法没那么"低端"。arXiv 那篇论文的对比实验里，他们训练的随机森林和 LSTM 反而因为数据不足错误率更高，规则法误报更少。在"数据少、场景固定"的家庭环境里，这并不意外。

第二，高准确率要打个问号。99.94%、97.6% 这些数字都是论文在自己数据集上的成绩——而跌倒检测数据集大多是年轻人穿着护具表演摔倒。真实老人跌倒是失重、失控、带旋转的，直接拿论文数字预期自家场景，会失望的。

第三，召回率比准确率更重要。宁可误报（家人收到通知看一眼，虚惊一场），不可漏报（老人躺在地上没人知道）。2503.19501 的召回率 93.75% 就比 86.86% 的准确率更值得参考——它的阈值明显是往"宁可错报"的方向调的。这个取向是对的。

六、少误报、少漏报：六个工程细节

代码只是起点，装进真实环境才是考验。这些坑都标好了：

1. 摄像头装侧面，别装头顶。姿态估计靠的是侧视轮廓，俯视镜头下肩髋重叠、关键点 visibility 会大面积掉到 0.5 以下，判断直接失效。建议高度 1.2~1.5 米，正对老人主要活动区域。

2. "缓慢躺下"要特殊处理。老人自己上床、躺沙发，动作慢、持续时间长，和跌倒的"快速 + 失控"不同。在质心速度指标上卡阈值（比如每秒下降超过半个画面高度才算异常），就能把绝大多数"主动躺下"过滤掉。

3. 报警要带"人工确认"回路。报警发出后给 60 秒确认窗口，老人或家人点一下"我没事"就撤销；超时未确认再升级（打电话、发短信）。纯自动报警没人兜底，误报几次之后全家都会把通知静音——那系统就白装了。

4. 夜间场景提前想好。普通摄像头晚上全黑就是瞎子。要么选带红外夜视的摄像头，要么只在灯光常亮的区域布防。

5. 多人场景注意跟踪。家里同时有两个人时，MediaPipe 会给每个人一组关键点，报警前必须锁定"跌倒的是哪一个人"并持续跟踪，否则 A 蹲下 B 站着，逻辑会打架。OpenCV Zoo 的两段式方案（检测 + 逐人估计）天生适合这个场景。

6. 隐私是底线，不是加分项。摄像头装在卧室、卫生间是很多人迈不过去的坎。两个缓解办法：一是用分割掩码只保留骨架、丢弃原始画面（这套方案的天然优势）；二是敏感区域改用毫米波雷达，代价是贵。

七、写在最后

把整套方案捋一遍：一个摄像头 + OpenCV 官方开源模型 + 不到 70 行判断逻辑 + 一条报警通道，就能给独居老人搭一道 24 小时的电子防线。它不完美——夜间、遮挡、多人场景都还有坑——但它免费、透明、可解释，而且今天就能搭起来。

技术从来不能替代陪伴。但如果你不在父母身边，至少可以让技术在第一时间喊你一声。

参考资料

1. OpenCV Zoo 官方模型库：https://github.com/opencv/opencv_zoo
2. MediaPipe Pose 官方文档：https://github.com/google-ai-edge/mediapipe/blob/master/docs/solutions/pose.md
3. Pose-Based Fall Detection System（arXiv 2503.19501）：https://arxiv.org/abs/2503.19501
4. Fall Detection from Indoor Videos using MediaPipe（arXiv 2503.01436）：https://arxiv.org/abs/2503.01436
5. Sudden Fall Detection Using Transformer Model（Sensors 2024）
6. 中国老年人跌倒预防与干预相关数据：中国疾控中心 / 深圳卫健委公开材料

本文数据均来自中国疾病监测系统、WHO 公开统计与上述论文原文，数字有出处可查，发现错漏欢迎评论区直接指出。

互动一下：如果让你给家里装这样一套系统，你最担心的是误报太多，还是隐私问题？或者你已经在用别的方案（手环、雷达、智能音箱）？评论区聊聊你的场景——觉得有用的话，点赞、收藏、关注走一波，下一篇聊怎么把报警接到钉钉和短信上，做到"人不到场，通知必达"。